3、图像分类基础：回顾图像分类任务的定义、常见数据集（ImageNet、CIFAR-10）和评价指标（准确率、Top-5）
图像分类是计算机视觉中最基础、最核心的任务之一，也是 Jetson 边缘部署场景中落地最广泛的能力。无论是工业质检中的缺陷分拣、农业视觉中的病虫害识别，还是安防场景下的物体归类，其底层技术本质都是图像分类。在进入 Jetson 的模型转换、TensorRT 加速和 Batch 设置优化之前，我们必须先厘清图像分类任务的定义边界、主流数据集的特性差异，以及评价指标的真实含义。因为后续所有部署优化的目标——无论是提升吞吐量还是降低延迟——最终都要回归到“在保持可接受精度的前提下，让模型跑得更快”这一核心诉求上。本章将系统梳理这三个基础维度，为后续的轻量模型选型和 Batch 参数调优建立坚实的评估坐标系。
3.1 图像分类任务的定义与数学表达
图像分类（Image Classification）的任务定义可以形式化地描述为：给定一张输入图像 \( x \in \mathbb{R}^{H \times W \times C} \)，其中 H、W 分别为图像的高度和宽度，C 为通道数（通常为 RGB 三通道），模型需要从预先定义的类别集合 \( \mathcal{Y} = \{1, 2, ..., K\} \) 中预测出该图像所属的类别标签 \( \hat{y} \)。更严谨地说，分类模型学习的是一个条件概率分布 \( P(y|x) \)，最终输出的是一个 K 维的概率向量，每个维度对应一个类别的置信度。
从工程实现角度看，一个完整的图像分类系统通常包含三个核心阶段：特征提取、特征映射和决策输出。在深度学习时代，特征提取由卷积神经网络（CNN）自动完成，而特征映射和决策输出则由全连接层或全局池化层配合 Softmax 激活函数实现。值得注意的是，在 Jetson 部署场景中，我们通常会将 Softmax 层从模型中剥离或融合到后处理代码中，因为 TensorRT 对 Softmax 的优化并不总是最高效的，且在某些推理框架中，直接输出 logits（未归一化的分数）反而更有利于后续的阈值调整。
3.2 常见数据集：ImageNet 与 CIFAR-10 的对比分析
数据集是模型训练的“教材”，也是评估模型泛化能力的“考卷”。在 Jetson 部署场景中，我们关注数据集不仅是为了训练，更是为了理解模型精度的来源和局限。以下两个数据集是图像分类领域最常被引用的基准。
3.2.1 ImageNet：大规模视觉识别的黄金标准
ImageNet（ILSVRC2012 版本）包含约 128 万张训练图像和 5 万张验证图像，覆盖 1000 个物体类别。每张图像的分辨率不固定，但通常在 300×300 到 500×500 像素之间，模型训练时通常被 Resize 到 224×224 或 256×256。ImageNet 的类别粒度较细，例如区分不同品种的狗（哈士奇 vs 阿拉斯加雪橇犬），这对模型的特征提取能力提出了较高要求。
在 Jetson 部署中，ImageNet 预训练模型（如 ResNet-18、MobileNetV2、EfficientNet-Lite）是迁移学习的首选起点。其优势在于：特征通用性强——在 ImageNet 上学习到的底层特征（边缘、纹理、形状）可以迁移到大多数下游视觉任务中。但需要注意，ImageNet 的类别分布偏向自然图像，如果目标场景是工业缺陷检测或医疗影像，直接使用 ImageNet 预训练权重可能需要进行充分的微调（Fine-tuning）。
3.2.2 CIFAR-10：轻量级研究的经典选择
CIFAR-10 包含 6 万张 32×32 的彩色图像，分为 10 个互斥类别（飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车），其中训练集 5 万张，测试集 1 万张。由于图像分辨率极低，CIFAR-10 在 Jetson 部署中通常用于验证模型结构或量化策略的可行性，而非直接作为生产模型的训练数据。
从部署角度看，CIFAR-10 的价值在于快速迭代：在 Jetson 设备上，一个 MobileNetV2 在 CIFAR-10 上的单次训练或推理耗时极短，适合作为 Batch 大小、精度模式（FP32/FP16/INT8）等参数调优的“试验田”。但必须清醒认识到，CIFAR-10 的低分辨率（32×32）与真实部署场景（通常至少 224×224）存在显著差异，在 CIFAR-10 上表现良好的模型结构，在真实场景中未必能保持同样的精度优势。
| 对比维度 | ImageNet (ILSVRC2012) | CIFAR-10 | 部署影响 |
|---|---|---|---|
| 类别数 | 1000 | 10 | 输出层维度差异，影响参数量和计算量 |
| 训练图像数 | 128万 | 5万 | 数据量影响模型泛化能力 |
| 图像分辨率 | ~300×300（训练时 Resize 至 224×224） | 32×32 | 分辨率越高，FLOPs 越大，Jetson 推理延迟越高 |
| 类别粒度 | 细粒度（如犬种区分） | 粗粒度（如猫 vs 狗） | 细粒度任务需要更深/更宽的网络 |
| 典型模型精度 | ResNet-50 Top-1 ~76% | ResNet-18 Top-1 ~93% | 精度基准不同，不可直接跨数据集比较 |
3.3 评价指标：准确率与 Top-5 的深层含义
评价指标是衡量模型性能的“标尺”，但在 Jetson 部署场景中，我们不仅要关注模型本身的精度，还要关注精度与推理效率的联合优化。以下是最核心的两个指标。
3.3.1 Top-1 准确率（Accuracy）
Top-1 准确率是最直观的评价指标：模型预测的概率最高的类别与真实标签一致的样本数占总样本数的比例。公式为：
Top-1 Accuracy = (预测正确的样本数) / (总样本数) × 100%在 Jetson 部署中，Top-1 准确率直接反映了模型在“最终决策”层面的可靠性。例如，在工业质检场景中，如果模型将合格品误判为缺陷品（False Positive），Top-1 准确率会下降，但实际生产中我们可能更关注 Precision（查准率）和 Recall（查全率）的平衡。因此，Top-1 准确率是一个宏观指标，但在类别不平衡的场景下，需要结合混淆矩阵进行细粒度分析。
3.3.2 Top-5 准确率
Top-5 准确率是指模型预测的概率最高的前 5 个类别中包含真实标签的样本比例。这一指标最初在 ImageNet 竞赛中被广泛使用，因为 ImageNet 的 1000 个类别中存在大量语义相近的类别（如不同品种的蘑菇），即使人类专家也难以区分。Top-5 准确率允许模型“有一定容错空间”，更关注模型是否将目标物体识别到了正确的“语义区域”。
在 Jetson 部署中，Top-5 指标的价值体现在模型蒸馏和量化评估阶段。当我们对模型进行 INT8 量化或剪枝后，Top-1 准确率可能下降 1-2 个百分点，但 Top-5 准确率可能保持不变或下降更少。这说明量化主要影响了模型的“精细判别能力”，而保留了“粗粒度识别能力”。如果业务场景允许 Top-5 容错（例如在检索系统中，Top-5 结果供人工复核），那么我们可以更激进地使用量化或轻量模型。
3.4 案例拆解：从 ImageNet 到 Jetson 的精度-效率权衡实战
为了更好地理解上述概念在 Jetson 部署中的实际应用，我们以一个具体的案例来展示如何基于数据集和评价指标做出部署决策。
场景背景：某智慧零售项目需要在 Jetson Orin Nano 上部署一个商品识别模型，用于实时识别货架上的 50 类商品。客户要求单帧推理延迟 ≤ 30ms，且 Top-1 准确率 ≥ 90%。团队初始方案是直接使用 ImageNet 预训练的 ResNet-50 模型，在 FP16 精度下进行推理。
初始测试结果：在 Jetson Orin Nano 上，ResNet-50 FP16 的推理延迟约为 45ms（Batch=1），无法满足 30ms 的实时性要求。Top-1 准确率在客户提供的 5000 张测试图像上为 94.2%，超出客户预期。
分析过程：团队面临两个优化方向：一是更换更轻量的模型（如 MobileNetV2 或 EfficientNet-Lite0），二是保持模型不变但使用 TensorRT 的 INT8 量化。考虑到客户对精度有硬性要求（≥90%），团队决定先尝试 MobileNetV2 的 INT8 量化方案。
操作步骤：
- 使用 PyTorch 训练 MobileNetV2，在 ImageNet 预训练权重基础上，用客户提供的 2 万张商品图像进行微调（Fine-tuning），得到 FP32 模型，Top-1 准确率为 91.8%。
- 使用 TensorRT 的 PTQ（Post-Training Quantization）工具，用 500 张代表性图像进行 INT8 校准，得到 INT8 引擎。
- 在 Jetson Orin Nano 上分别测试 FP32、FP16、INT8 三种精度模式的延迟和准确率。
| 模型配置 | Top-1 准确率 | 延迟 (Batch=1) | 吞吐量 (Batch=4) | 是否满足需求 |
|---|---|---|---|---|
| ResNet-50 FP16 | 94.2% | 45ms | ~62 FPS | 否（延迟超标） |
| MobileNetV2 FP32 | 91.8% | 28ms | ~95 FPS | 是（勉强达标） |
| MobileNetV2 INT8 | 90.6% | 18ms | ~140 FPS | 是（余量充足） |
结果与复盘：MobileNetV2 INT8 方案将 Top-1 准确率从 94.2% 降至 90.6%，但仍高于客户 90% 的底线要求，同时延迟从 45ms 降至 18ms，吞吐量提升超过 2 倍。这一案例充分说明：在 Jetson 部署中，数据集（ImageNet 预训练）决定了模型的起点精度，而评价指标（Top-1）则帮助我们设定精度底线，最终通过模型轻量化和量化实现部署目标。值得注意的是，INT8 量化带来的 1.2% 精度损失在可接受范围内，但如果客户要求 Top-1 ≥ 92%，则可能需要考虑更复杂的量化感知训练（QAT）或知识蒸馏方案。
3.5 常见误区与总结复盘
在图像分类基础这一章节中，有几个常见误区需要特别提醒，这些误区在 Jetson 部署实践中频繁出现，可能导致项目延期或性能不达标。
- 误区一：将 ImageNet 精度直接等同于部署精度。ImageNet 的验证集分布与真实场景数据分布存在差异，迁移学习后的模型精度需要在实际业务数据上重新评估。建议在部署前建立与目标场景分布一致的测试集。
- 误区二：忽视 Top-5 指标在量化评估中的作用。当 INT8 量化导致 Top-1 下降时，如果 Top-5 保持稳定，说明模型的“核心识别能力”未受严重损害，可以尝试通过调整 Softmax 温度或增加后处理逻辑来弥补 Top-1 的损失。
- 误区三：在 CIFAR-10 上验证的模型结构直接用于 Jetson 生产环境。CIFAR-10 的 32×32 分辨率远低于真实场景，模型在低分辨率下的结构设计（如使用较大的卷积核）在高分辨率下可能效率低下。务必在目标分辨率下重新评估模型 FLOPs 和参数量。
- 误区四：只关注准确率而忽略延迟分布。在 Jetson 上，推理延迟不是恒定值，受 GPU 频率、内存带宽、Batch 大小等因素影响。建议使用 p99 延迟（99% 分位延迟）作为性能指标，而非仅看平均延迟。