完善项目README文档，补充架构说明与使用指南

README.md

@@ -1,14 +1,157 @@
 # trash-division
-## 一个基于卷积神经网络的垃圾分类识别系统
 
-### 同济大学python人工智能程序设计课程小组作业
+一个基于卷积神经网络的垃圾分类识别系统
 
+> 同济大学 Python 人工智能程序设计课程小组作业
+
+基于自定义 ResNet 风格 Bottleneck 架构的 CNN 模型（约 80M 参数），将生活垃圾分为厨余垃圾、可回收物、其他垃圾、有害垃圾四个类别，输入为 256×256 RGB 图像。
+
+---
+
+## 目录
+
+- [项目特点](#项目特点)
+- [模型架构](#模型架构)
+- [数据集](#数据集)
+- [环境要求](#环境要求)
+- [快速开始](#快速开始)
+- [文件说明](#文件说明)
+- [目录结构](#目录结构)
+- [训练细节](#训练细节)
+- [许可证](#许可证)
+
+---
+
+## 项目特点
+
+- **四类垃圾分类**：厨余垃圾（1）、可回收物（2）、其他垃圾（3）、有害垃圾（4）
+- **自定义 ResNet Bottleneck 架构**：约 80M 参数，50 层深度残差网络
+- **数据增强**：训练时使用随机裁剪、水平翻转、旋转、色彩抖动
+- **Macro-F1 评估**：采用宏平均 F1 分数作为主要评估指标，兼顾各类别表现
+- **类别加权损失**：自动计算类别权重，缓解类别不平衡问题
+- **余弦退火学习率调度**：使用 CosineAnnealingLR 平滑调整学习率
+- **断点续训**：自动检测 `best_model.pth` 并加载继续训练
+- **多设备支持**：自动选择 CUDA > Intel XPU > CPU
+
+## 模型架构
+
+模型基于残差网络（ResNet）的 Bottleneck 构建块设计。
+
+### Bottleneck 块
+
+每个 Bottleneck 块包含三个卷积层：
+
+| 层 | 卷积 | 作用 |
+|---|---|---|
+| 1x1 Conv | 降维 | 减少通道数，降低计算量 |
+| 3x3 Conv | 特征提取 | 核心卷积操作 |
+| 1x1 Conv | 升维 (x4) | 恢复通道数至输入的 4 倍 |
+
+### 网络结构
+
+| 阶段 | 块数 | 输出通道数 | 说明 |
+|---|---|---|---|
+| 初始层 | - | 64 | 7x7 Conv, stride=2 + MaxPool |
+| Stage 1 | 3 | 256 | 第一个残差阶段 |
+| Stage 2 | 4 | 512 | - |
+| Stage 3 | 14 | 1024 | 最深阶段（比 ResNet-50 加深） |
+| Stage 4 | 3 | 2048 | 最终残差阶段 |
+| 分类头 | - | 4 | 全局平均池化 + 全连接层 |
+
+## 数据集
+
+本项目使用 [tany0699/garbage265](https://modelscope.cn/datasets/tany0699/garbage265) 中文生活垃圾分类数据集，包含 265 个子类别的生活垃圾图片。
+
+通过 `Merge_classes.py` 脚本将 265 个子类别合并为 4 个顶级类别：
+
+```
+厨余垃圾 -> 1
+可回收物 -> 2
+其他垃圾 -> 3
+有害垃圾 -> 4
+```
+
+数据集预期放置在 `../trash_division_data/`（与项目根目录平级的兄弟目录）。
+
+## 环境要求
+
+本项目无 `requirements.txt`，需手动安装以下依赖：
+
+- Python 3.8+
+- PyTorch（推荐 1.10+）
+- torchvision
+- tqdm
+- matplotlib
+- pandas
+- Pillow
+- torchsummary
+
+## 快速开始
+
+1. **数据预处理**：将 265 个子类别合并为 4 个顶级类别
+
+   ```bash
+   python Merge_classes.py
+   ```
+
+2. **训练模型**：
+
+   ```bash
+   python Train.py
+   ```
+
+> **注意**：
+> - 数据目录默认为 `../trash_division_data/ultimate_4_class/`，需先运行合并脚本
+> - Windows 系统需将 `num_workers` 设为 `0`（参见 `Dataloader.py` 和 `Train.py`）
+> - 训练会自动从 `best_model.pth` 断点续训（若存在）
+
+## 文件说明
+
+| 文件 | 功能 |
+|---|---|
+| `Train.py` | 训练主脚本，包含训练循环、验证、评估 |
+| `Dataloader.py` | 数据加载模块，包含 RobustImageFolder 和 DataLoader 创建 |
+| `Model.py` | 模型定义，Bottleneck 残差块 + Net 主模型 |
+| `Merge_classes.py` | 数据集预处理，265 类合并为 4 类 |
+| `best_model.pth` | 训练好的最佳模型权重（约 125 MB） |
+| `AGENTS.md` | AI 助手指南（开发辅助） |
+| `THIRD_PARTY_LICENSES.md` | 第三方数据集许可证声明 |
+
+## 目录结构
+
+```
+trash-division/
+├── AGENTS.md               # AI 助手指南
+├── best_model.pth           # 最佳模型权重
+├── Dataloader.py            # 数据加载模块
+├── .gitattributes           # Git 属性配置
+├── LICENSE                  # MIT 许可证
+├── Merge_classes.py         # 数据集预处理脚本
+├── Model.py                 # 模型定义
+├── README.md                # 项目说明（本文件）
+├── THIRD_PARTY_LICENSES.md  # 第三方许可证声明
+└── Train.py                 # 训练主脚本
+```
+
+## 训练细节
+
+| 配置项 | 说明 |
+|---|---|
+| 输入尺寸 | 256 x 256 RGB |
+| 优化器 | SGD（momentum=0.9, weight_decay=1e-4） |
+| 初始学习率 | 0.001 |
+| 学习率调度 | CosineAnnealingLR |
+| 损失函数 | 类别加权 CrossEntropyLoss |
+| 评估指标 | Macro-F1（宏平均 F1 分数） |
+| 批量大小 | 默认 16（可通过参数调整） |
+| 训练轮数 | 默认 20（可通过参数调整） |
+| 设备选择优先级 | CUDA > Intel XPU > CPU |
+| 断点续训 | 自动检测 best_model.pth 并加载 |
+
+训练时数据增强管线：RandomResizedCrop(256, scale=(0.8, 1.0)) + RandomHorizontalFlip(p=0.5) + RandomRotation(+-15 deg) + ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2)
 
 ## 许可证
 
 本项目主代码采用 [MIT 许可证](LICENSE)。
 
 本项目包含的数据集 `tany0699/garbage265` 采用 [Apache License 2.0](THIRD_PARTY_LICENSES.md)，详情请参阅 `THIRD_PARTY_LICENSES.md` 文件。
-
-
-

Train.py

@@ -14,51 +14,67 @@ import matplotlib.pyplot as plt
 from Model import Net
 from Dataloader import create_dataloaders
 import os
+
+
+def compute_macro_f1(predicted, targets, num_classes=4):
+    tp = torch.zeros(num_classes, device=predicted.device)
+    fp = torch.zeros(num_classes, device=predicted.device)
+    fn = torch.zeros(num_classes, device=predicted.device)
+    for c in range(num_classes):
+        tp[c] = ((predicted == c) & (targets == c)).sum()
+        fp[c] = ((predicted == c) & (targets != c)).sum()
+        fn[c] = ((predicted != c) & (targets == c)).sum()
+    precision = tp / (tp + fp + 1e-8)
+    recall = tp / (tp + fn + 1e-8)
+    f1 = 2 * precision * recall / (precision + recall + 1e-8)
+    return f1.mean().item()
+
+
 def train_one_epoch(model, train_loader, criterion, optimizer, device, epoch):
     """训练一个epoch"""
-    model.train()  # 设置为训练模式
+    model.train()
     running_loss = 0.0
     correct = 0
     total = 0
+    all_preds, all_labels = [], []
 
-    # 使用 tqdm 显示进度条（可选）
     pbar = tqdm(train_loader, desc=f'Epoch {epoch + 1} [Train]')
 
     for images, labels in pbar:
-        # 将数据移到 GPU/CPU
         images, labels = images.to(device), labels.to(device)
 
-        # 前向传播
         outputs = model(images)
         loss = criterion(outputs, labels)
 
-        # 反向传播
+        optimizer.zero_grad()
-        optimizer.zero_grad()  # 清空梯度
+        loss.backward()
-        loss.backward()  # 计算梯度
+        optimizer.step()
-        optimizer.step()  # 更新参数
 
-        # 统计
         running_loss += loss.item() * images.size(0)
         _, predicted = outputs.max(1)
         total += labels.size(0)
         correct += predicted.eq(labels).sum().item()
+        all_preds.append(predicted)
+        all_labels.append(labels)
 
-        # 更新进度条信息
+        batch_f1 = compute_macro_f1(predicted, labels)
-        pbar.set_postfix({'loss': loss.item(), 'acc': 100. * correct / total})
+        pbar.set_postfix({'loss': loss.item(), 'F1': f'{batch_f1:.4f}', 'Acc': f'{100. * correct / total:.2f}%'})
 
     epoch_loss = running_loss / total
+    epoch_f1 = compute_macro_f1(torch.cat(all_preds), torch.cat(all_labels))
     epoch_acc = 100. * correct / total
-    return epoch_loss, epoch_acc
+    return epoch_loss, epoch_f1, epoch_acc
 
 
 def validate(model, val_loader, criterion, device):
     """验证函数"""
-    model.eval()  # 设置为评估模式
+    model.eval()
     running_loss = 0.0
     correct = 0
     total = 0
+    all_preds, all_labels = [], []
 
-    with torch.no_grad():  # 不计算梯度，节省内存
+    with torch.no_grad():
         for images, labels in tqdm(val_loader, desc='[Validate]'):
             images, labels = images.to(device), labels.to(device)
 
@@ -69,17 +85,31 @@ def validate(model, val_loader, criterion, device):
             _, predicted = outputs.max(1)
             total += labels.size(0)
             correct += predicted.eq(labels).sum().item()
+            all_preds.append(predicted)
+            all_labels.append(labels)
 
     epoch_loss = running_loss / total
+    epoch_f1 = compute_macro_f1(torch.cat(all_preds), torch.cat(all_labels))
     epoch_acc = 100. * correct / total
-    return epoch_loss, epoch_acc
+    return epoch_loss, epoch_f1, epoch_acc
+
+
+def compute_class_weights(dataset, num_classes=4, device='cpu'):
+    class_counts = torch.zeros(num_classes)
+    for _, label in dataset.samples:
+        lbl = label.item() if isinstance(label, torch.Tensor) else label
+        class_counts[lbl] += 1
+    total = class_counts.sum()
+    weights = total / (num_classes * class_counts)
+    return weights.to(device)
 
 
 def train(model, train_loader, val_loader, epochs=50, lr=0.001, device='cuda'):
     """主训练函数"""
 
     # 1. 定义损失函数和优化器
-    criterion = nn.CrossEntropyLoss()  # 多分类用交叉熵
+    class_weights = compute_class_weights(train_loader.dataset, num_classes=4, device=device)
+    criterion = nn.CrossEntropyLoss(weight=class_weights)  # 多分类用交叉熵
 
     # 或者使用 SGD + 动量
     optimizer = optim.SGD(model.parameters(), lr=lr, momentum=0.9, weight_decay=1e-4)
@@ -90,12 +120,12 @@ def train(model, train_loader, val_loader, epochs=50, lr=0.001, device='cuda'):
     # 2. 记录训练历史
     history = {
         'train_loss': [],
-        'train_acc': [],
+        'train_f1': [],
         'val_loss': [],
-        'val_acc': []
+        'val_f1': []
     }
 
-    best_val_acc = 0.0
+    best_val_f1 = 0.0
 
     # 3. 开始训练
     for epoch in range(epochs):
@@ -103,36 +133,36 @@ def train(model, train_loader, val_loader, epochs=50, lr=0.001, device='cuda'):
         print(f'Epoch {epoch + 1}/{epochs}')
 
         # 训练
-        train_loss, train_acc = train_one_epoch(model, train_loader, criterion,
+        train_loss, train_f1, train_acc = train_one_epoch(model, train_loader, criterion,
-                                                optimizer, device, epoch)
+                                                          optimizer, device, epoch)
 
         # 验证
-        val_loss, val_acc = validate(model, val_loader, criterion, device)
+        val_loss, val_f1, val_acc = validate(model, val_loader, criterion, device)
 
         # 更新学习率
         scheduler.step()
 
         # 记录
         history['train_loss'].append(train_loss)
-        history['train_acc'].append(train_acc)
+        history['train_f1'].append(train_f1)
         history['val_loss'].append(val_loss)
-        history['val_acc'].append(val_acc)
+        history['val_f1'].append(val_f1)
 
         # 打印结果
-        print(f'Train Loss: {train_loss:.4f} | Train Acc: {train_acc:.2f}%')
+        print(f'Train Loss: {train_loss:.4f} | Train Acc: {train_acc:.2f}% | Train Macro-F1: {train_f1:.4f}')
-        print(f'Val   Loss: {val_loss:.4f} | Val   Acc: {val_acc:.2f}%')
+        print(f'Val   Loss: {val_loss:.4f} | Val   Acc: {val_acc:.2f}% | Val   Macro-F1: {val_f1:.4f}')
         print(f'Learning Rate: {optimizer.param_groups[0]["lr"]:.6f}')
 
         # 保存最佳模型
-        if val_acc > best_val_acc:
+        if val_f1 > best_val_f1:
-            best_val_acc = val_acc
+            best_val_f1 = val_f1
             torch.save(model.state_dict(), 'best_model.pth')
-            print(f'✓ 保存最佳模型 (Acc: {val_acc:.2f}%)')
+            print(f'✓ 保存最佳模型 (Macro-F1: {val_f1:.4f})')
 
     # 4. 绘制训练曲线
 
     print(f'\n{"=" * 50}')
-    print(f'训练完成！最佳验证准确率: {best_val_acc:.2f}%')
+    print(f'训练完成！最佳验证 Macro-F1: {best_val_f1:.4f}')
 
     return model, history
 
@@ -153,7 +183,7 @@ if __name__ == '__main__':
     model = Net(num_classes=4)  # 根据你的 Net 类调整
     #断点继续训练
     if os.path.exists('best_model.pth'):
-        model.load_state_dict(torch.load('best_model.pth'))
+        model.load_state_dict(torch.load('best_model.pth',map_location=torch.device('cpu')))
     model = model.to(device)
 
     # 打印模型信息