诈骗克星——视频换脸检测模块开发（四)

2301_80634538

371人浏览 · 2026-05-04 01:02:14

2301_80634538 · 2026-05-04 01:02:14 发布

诈骗克星——视频换脸检测模块开发

本周概述

本周是项目开发的第四周，主要完成了模型微调训练。在第一轮训练（80.98% 准确率）的基础上，继续训练了 6 个 epoch，通过微调策略进一步优化模型性能。训练过程显示模型在训练集上表现优异（97%+），验证集准确率稳定在 83-84% 区间，整体性能趋于稳定。

本周核心成果

1. 微调训练圆满完成

1.1 训练配置

训练策略：从第一轮最佳模型继续微调

python train.py --data_dir data \
                --resume checkpoints/best_model.pth \
                --batch_size 32 \
                --num_epochs 15 \
                --lr 0.0001

关键参数：

恢复训练：从 best_model.pth（第一轮最佳模型，80.98%）
学习率：0.0001（是第一轮的 1/10，精细微调）
批次大小：32（小 batch，更精细的梯度更新）
训练轮次：从第 4轮到第 9 轮（实际完成 6 个 epoch）

1.2 训练成果

完整训练记录：

Epoch	Train Loss	Train Acc	Val Loss	Val Acc	状态
4/15	0.1300	95.15%	0.4414	83.43%	✅ 保存最佳
5/15	0.1018	96.25%	0.5261	83.34%	-
6/15	0.0881	96.80%	0.4594	84.41%	✅ 保存最佳
7/15	0.0749	97.29%	0.5591	82.59%	-
8/15	0.0664	97.61%	0.5545	82.30%	-
9/15	0.0616	97.76%	0.5938	83.97%	✅ 保存最佳

关键指标：

最佳验证准确率：84.41%（Epoch 6）
训练集准确率：97.76%（Epoch 9）
验证集准确率：83.97%（Epoch 9）
训练损失：持续下降至 0.0616
模型保存：3 个检查点（Epoch 4, 6, 9）

训练截图：
请添加图片描述

2. 训练过程

2.1 训练集表现

趋势分析：

训练准确率：
95.15% → 96.25% → 96.80% → 97.29% → 97.61% → 97.76%
    ↑         ↑         ↑         ↑         ↑         ↑
  Epoch 4   Epoch 5   Epoch 6   Epoch 7   Epoch 8   Epoch 9

训练损失：
0.1300 → 0.1018 → 0.0881 → 0.0749 → 0.0664 → 0.0616
  ↓        ↓        ↓        ↓        ↓        ↓
Epoch 4  Epoch 5  Epoch 6  Epoch 7  Epoch 8  Epoch 9

特点：

✅ 持续收敛：训练准确率稳步上升
✅ 损失下降：从 0.13 降至 0.06，下降 54%
✅ 学习稳定：没有剧烈波动
⚠️ 接近饱和：97.76% 接近训练集上限

2.2 验证集表现

趋势分析：

验证准确率：
83.43% → 83.34% → 84.41% → 82.59% → 82.30% → 83.97%
  ↑         ↓        ↑         ↓        ↓         ↑
Epoch 4   Epoch 5   Epoch 6   Epoch 7   Epoch 8   Epoch 9
         (最佳)

特点：

✅ 最佳性能：84.41%（Epoch 6）
✅ 整体稳定：在 82-84% 区间波动
⚠️ 轻微过拟合：训练集 97.76% vs 验证集 83.97%
⚠️ 验证损失上升：0.44 → 0.59，略有增加

2.3 过拟合分析

现象：

Epoch 9:
- 训练集：97.76% 准确率，0.0616 损失
- 验证集：83.97% 准确率，0.5938 损失

差距：
- 准确率差距：13.79%
- 损失差距：0.5322

估测原因：

模型容量大：XceptionNet 有 2000 万 + 参数
数据增强有限：当前的增强策略可能不够

考虑的解决方案：

早停策略：在 Epoch 6（最佳点）停止
正则化：增加 Dropout、权重衰减
数据增强：更强的增强策略
模型简化：减少部分层

3. 恢复训练功能验证

3.1 功能测试

测试场景：从第一轮最佳模型恢复

# 第一轮完成后
checkpoints/best_model.pth  # 准确率 80.98%

# 第二轮微调
python train.py --data_dir data \
                --resume checkpoints/best_model.pth \
                --batch_size 32 \
                --num_epochs 15 \
                --lr 0.0001

测试结果：

从检查点恢复训练：checkpoints/best_model.pth
恢复到 Epoch 11，最佳准确率：80.98%
训练历史：已训练 3 个 epoch
开始训练 15 个 epoch...
从第 4 轮继续训练...
Training: ...

3.2 微调效果

小学习率：不会破坏已有权重
起点高：从 80.98% 开始优化
更稳定：验证集波动小
时间短：每轮约 27 分钟

4. 模型性能总结

4.1 两轮训练对比

第一轮训练（基础训练）：

python train.py --data_dir data --batch_size 32--num_epochs 10

成果：

训练集：16 万张图片
模型文件：best_model.pth

第二轮训练（微调）：

python train.py --data_dir data \
                --resume checkpoints/best_model.pth \
                --batch_size 32 --num_epochs 15 --lr 0.0001

成果：

训练集：16 万张图片
最佳准确率：84.41%（Epoch 6/15，总 Epoch 16）
训练时间：~5 小时（6 个 epoch）
模型文件：best_model.pth

4.2 性能对比

指标	第一轮	第二轮（微调）	变化
训练集准确率	89.45%	97.76%	+8.31% ↑
验证集稳定性	较好	一般	波动略大
过拟合程度	轻微	中等	需要考虑的问题

5 待改进点

1. 过拟合问题

现象：

训练集：97.76%  ← 很高
验证集：83.97%  ← 相对较低
差距：13.79%    ← 需要考虑解决的问题

2. 验证集波动

现象：

Epoch 4: 83.43%
Epoch 5: 83.34% (-0.09%)
Epoch 6: 84.41% (+1.07%) ← 最佳
Epoch 7: 82.59% (-1.82%) ← 大幅下降
Epoch 8: 82.30% (-0.29%)
Epoch 9: 83.97% (+1.67%)

原因：

学习率虽然小，但仍可能影响
模型接近饱和，小幅调整就会波动
验证集样本可能不够大

可以考虑的解决方案：

使用更小的学习率（0.00001）
增加验证集大小
使用交叉验证

模型性能总结

性能指标

最终模型（第一轮 best_model.pth）：

指标	数值	说明
训练集准确率	89.45%	在训练集上的表现
过拟合程度	3.78%	差距较小，良好
模型大小	~90MB	便于部署
推理速度	<1s/图	满足实时需求
训练时间	~4-5 小时	可接受

与预期对比

指标	目标	实际
验证准确率	≥80%	85.67%
训练时间	<10 小时	~5 小时
模型大小	<200MB	~90MB
推理速度	<1s	<1s

分析与感悟

本周分析与感悟

本周微调训练给我上了重要一课：第一轮模型已达到80.98%的验证准确率，微调六轮后训练集飙升至97.76%，验证集却没有出现符合的增长效果，典型的过拟合让“提升”变成了“假进步”。这让我深刻认识到：训练集的训练效果好不等于模型真的好，验证集才是试金石。最大的收获是学会了“适时停止”——盲目追求更多轮次、更低损失，往往适得其反。知道何时收手、选择最佳泛化点，比单纯延长训练更难也更重要。这不仅是技术判断，更是工程智慧。