第2单元 第3课《用深度学习实现图像分类》教案 清华大学版信息科技八年级下册.doc

第3课《用深度学习实现图像分类》教学设计

课题

用深度学习实现图像分类

单元

第二单元

学科

信息科技

年级

八年级下

核心素

养目标

信息意识：理解图像数据作为一种重要信息资源的价值，通过深度学习进行图像分类是提取和利用图像信息的有效方式。

计算思维：引导理解深度学习算法（如卷积神经网络）背后的逻辑和计算流程，学会用算法思维解决图像分类问题。

数字化学习与创新：鼓励运用数字化工具（如编程软件、深度学习框架）进行图像分类的实践操作，提高他们的数字化学习能力。

信息社会责任：在图像分类过程中遵循法律法规，尊重他人的隐私和知识产权，思考图像分类技术可能带来的社会影响。

教学重点

1、掌握图像分类与模型训练的相关知识点。

教学难点

1、安全、规范地使用图像分类与深度学习服务于生活。

教学过程

教学环节

教师活动

学生活动

设计意图

导入新课

板书课题。

本课中你将学习

如何制作图像数据集

如何对图像分类模型进行训练

如何应用图像分类模型

深度学习是机器学习最重要的组成部分。用深度学习解决问题，同样要参考机器学习的一般流程，从采集、整理和清洗数据开始，再搭建模型进行训练与评估，最后结合其他编程工具或者模块，以模型推理为核心功能，形成一个完整的人工智能项目。本节课，我们将用深度学习的方法实现图像分类并解决昆虫识别的问题。

观看教学视频

学习单元引入内容。

学习新知引入，观看教学视频。

明确本单元所研究的中心内容和所需掌握的主要知识点。

用提问的方式引入课题，增强课堂互动性。将学生的注意吸引到课堂。

讲授新课

新知讲解

一、准备图像数据集

合适的数据集是机器学习任务成功的关键，数据集的质量会直接影响模型的性能。针对图像分类模型训练，我们需要准备好一个图像数据集。

（出示图片）

许多人关心的问题是“需要多少张图片？”以及“图片的尺寸应该为多大？”，答案取决于所期望的模型识别精度。一般来说，数据越丰富、越多样，训练出来的模型的表现就会越好。只有数量还不够，还需要确保数据的多样性，这意味着需要考虑光线、拍摄角度、背景等变化条件。采集数据前还需要明确让模型识别和学习的图像类型，考虑模型最终的应用场景及采集的图像数据与要进行推理的图像是否一致。例如，昆虫识别模型的应用场景是校园花圃，最好也用摄像头去采集校园花圃里的昆虫的图像。

1.图像分类数据集的规范

不同的AI开发工具或框架对数据集格式有特定的要求。比较常用的用于图像分类的数据集格式是ImageNet格式。ImageNet大规模视觉识别挑战赛是著名的计算机视觉竞赛，其机制是提供统一的数据集，让不同算法进行比较。ImageNet提供的数据集拥有超过1500万张图片，约2.2万个类别，其格式逐步发展为一种通用的图像分类数据集标准。

（出示图片）

ImageNet格式的数据集一般包含三个文件夹和三个文本文件。如图2.3.1所示，不同类别图片按照文件夹分类，通过training_set、val_set、test_set区分训练集、验证集和测试集。文本文件classes.txt说明类别名称与序号的对应关系，val.txt说明验证集图片路径与类别序号的对应关系，test.txt说明测试集图片路径与类别序号的对应关系。

（出示图片）

2.图像分类数据集的制作

第1单元使用过的BaseDT库，不仅能完成CSV格式数据集的拆分还可以用于制作ImageNet格式的图像分类数据集。首先，将收集的数据进行初步整理，整理规范如图2.3.2所示，将所有图片按照类别存放(存放至以各类别名称命名的文件夹内)，再将所有图片文件夹放入images文件夹同时新建一个classes.txt，按次序逐行写上所有类别的名称，如图2.3.3所示。

（出示图片）

然后，使用BaseDT对整理完毕的images文件夹进行格式转换，数据集格式转换的代码如下所示。需要在代码中指定生成数据集的路径、原始数据集的路径、原始数据集格式、划分比例(如不设置，则默认比例为训练集:测试集:验证集=7:1∶2)。数据集划分代码运行结果如图2.3.4所示。

（出示图片）

二、图像分类模型的训练

MMEdu是一个为青少年设计的计算机视觉算法包，其简化了神经网络模型搭建和训练参数，让初学者通过简洁的代码即可完成各种模型训练借助EasyTrain，使用者还可以用无代码的方式调用MMEdu训练模型。MMEdu内置了大量优秀的算法(如SOTA模型等)，支持图像分类和检测任务。

（出示图片）

1.图像分类SOTA模型

SOTA(state-of-the-art)是指在某个研究任务中目前表现最好、最先进的模型。不同的SOTA模型适合解决不同的问题，要根据具体的任务进行合理选择。比如，LeNet模型在灰度数字手写体字符识