经典图像分类 2.5.0¶

判断整张图的类别。当前预置列表包括 ResNet50、ResNet18、ResNet101、MobileNetV3_small_x0_35、MobileNetV3_large_x1_0，是否显示以随附配置文件实际存在为准。

选择一个分类数据集文件夹。优先使用 train_list.txt、val_list.txt、Label.txt；没有清单时识别 train/类别名、val/类别名。保留已有训练/验证集，不自动重新划分。检查类别编号和名称顺序，训练、推理、导出需一致。

尺寸与优化¶

图像尺寸输入为正方形边长，0 显示“沿用配置”。自定义时会同步训练裁剪、验证裁剪、模型输入和导出预处理；Resize 的短边值按分类原有 256/224 比例联动，而不是把所有预处理直接替换成无裁剪拉伸。

输入大小必须与业务目标细节匹配。该页面没有经典检测的高宽分离和“只改验证尺寸”模式。学习率、优化器、权重衰减、预热、AMP、workers 与经典通用参数一致，但映射到分类引擎自己的配置结构。

指标¶

按分类引擎实际输出显示训练和验证准确率、损失等；不能当作检测 Precision/Recall/mAP 解读。各模型配置提供的指标种类可能不同，不会为没有返回的项目伪造曲线。

自动导出和部署¶

训练结束后自动导出到实验的 export 目录，常见文件为：

inference.pdmodel
inference.pdiparams
inference.pdiparams.info
ImageSize.txt
inference_cls.yaml
class_names.txt

ImageSize.txt、类别映射及 inference_cls.yaml 按本次最终配置生成，不需要客户再手工替换通用 ImageNet 参数。生成的部署 YAML 使用相对路径，部署时以该导出目录作为工作目录，按实际硬件设置部署程序的设备选项。

软件的“模型推理验证”使用训练检查点 .pdparams 和训练配置，而不是把导出的 .pdmodel 文件直接当作该界面的权重输入。二者用途不同。

完整控件说明见分类参数表。