第 3 课 用深度学习实现图像分类 教学设计 湘教版2025八年级信息科技下册.docxVIP

第3课用深度学习实现图像分类

活动概述

本次活动围绕用深度学习实现图像分类展开，学生将学习制作图像数据集的方法、图像分类模型的训练流程以及模型的应用方式。通过实际操作和案例分析，学生能够掌握深度学习在图像分类领域的应用技能，提升实践动手能力和解决实际问题的能力，增强对人工智能技术应用的理解。

教材分析

教材从深度学习解决问题的一般流程切入，强调合适数据集对图像分类模型训练的关键作用，介绍了图像分类数据集的规范和制作方法。详细阐述了图像分类SOTA模型的选择和训练过程，以及模型应用涉及的模型类型、推理工具、模型转换和应用开发等内容，逻辑清晰，逐步引导学生掌握用深度学习实现图像分类的全流程知识。

核心素养目标

信息意识

认识深度学习在图像分类中的重要价值，理解图像分类模型训练和应用中各环节的意义；

能根据不同场景需求，辨别合适的图像分类模型和应用方式，提升对图像分类领域信息的敏感度和判断力；

关注深度学习在图像分类领域的前沿动态，增强对信息技术发展的关注度。

计算思维

通过学习图像分类模型的训练和应用过程，培养逻辑思维和问题解决能力；

理解图像分类模型训练中的数据处理、模型选择和参数调整等环节的设计思路，提升抽象思维和系统思维能力，学会运用计算思维优化图像分类任务。

数字化学习与创新

借助教材资源和网络平台，自主学习图像分类相关知识，积累数字化学习和处理图像数据的方法；

在实践操作中，培养创新思维和实践能力，尝试运用所学知识优化图像分类模型或开发新的应用场景。

信息社会责任

了解深度学习图像分类技术在社会各领域的应用，认识到合理使用该技术的重要性，增强信息社会责任感；

尊重技术创新背后的知识产权，树立正确的技术应用价值观。

教学重、难点

教学重点

图像分类数据集的制作方法；

常见图像分类SOTA模型的特点和训练过程；

深度学习模型的应用，包括模型转换和推理工具的使用。

教学难点

理解不同SOTA模型的适用场景并合理选择；

掌握图像分类模型训练中的超参数调整和模型优化；

将深度学习模型与实际应用场景相结合，实现图像分类的具体应用开发。

教学方法

讲授法、讨论法、实践法相结合

教学用具

多媒体课件、Python编程环境、相关数据集制作和模型训练工具（如BaseDT、MMEdu等）

课时安排

一课时

教学过程（第一课时）

教学环节

教学活动

二次备课

课程导入

师：展示一些图像分类在生活中的应用场景，如智能安防监控、植物物种识别等。提问学生：“这些图像分类功能是如何实现的呢？”引导学生思考，引出本节课要用深度学习实现图像分类的主题。

若学生对导入问题理解困难，可进一步举例说明，如手机相册自动分类照片，让学生更直观感受图像分类的应用。

知识讲授

准备图像数据集

师：讲解合适的数据集对图像分类模型训练的重要性，强调数据丰富性和多样性的意义。介绍图像分类数据集的规范，重点讲解ImageNet格式数据集的结构，包括文件夹和文本文件的作用（展示ImageNet格式数据集文件夹目录图）。

师：演示使用BaseDT库制作ImageNet格式图像分类数据集的步骤，从数据初步整理、填写类别信息到格式转换代码的运行（展示代码及运行过程）。

图像分类模型的训练

师：介绍MMEdu中图像分类SOTA模型，如LeNet、MobileNet、ResNet等，对比它们的特点和适用场景（结合实际案例说明，如LeNet适用于简单灰度图像分类，MobileNet适合移动终端部署等）。

师：讲解使用MMEdu训练图像分类模型的核心步骤和代码，包括模型实例化、配置类别数量、加载数据集、设置保存路径和开始训练（展示训练代码并逐行解释），强调训练过程中的验证和超参数调整的重要性（简单解释超参数概念，如训练轮数、学习率等）。

图像分类模型的应用

师：介绍深度学习模型的类型和常见推理工具，重点讲解ONNXRuntime的作用和优势，以及模型转换的意义（以PyTorch模型转换为ONNX格式为例说明）。

师：展示MMEdu内置的模型转换函数和使用XEduHub实现ONNX模型推理的示例代码，介绍Gradio库在搭建人工智能应用界面中的作用（展示相关代码及运行效果），并讲解如何结合硬件实现更丰富的应用（如借助pinpong库驱动硬件）。

在讲解数据集制作时，可让学生提前准备一些简单图像数据，现场参与整理和制作过程；讲解模型训练时，可对比不同模型训练效果的差异，让学生更直观感受模型选择的重要性；讲解模型应用时，展示更多实际应用案例的视频或图片，增强学生的感性认识

实践操作

生：以小组为单位，使用MMEdu训练一个图像分类模型，并尝试将训练好的模型进行转换和推理应用。可以选择昆虫数据集或学生