經典影像分類 2.5.0¶

判斷整張圖的類別。當前預置列表包括 ResNet50、ResNet18、ResNet101、MobileNetV3_small_x0_35、MobileNetV3_large_x1_0，是否顯示以隨附配置檔案實際存在為準。

選擇一個分類資料集資料夾。優先使用 train_list.txt、val_list.txt、Label.txt；沒有清單時識別 train/類別名、val/類別名。保留已有訓練/驗證集，不自動重新劃分。檢查類別編號和名稱順序，訓練、推論、匯出需一致。

尺寸與最佳化¶

影像尺寸輸入為正方形邊長，0 顯示“沿用配置”。自定義時會同步訓練裁剪、驗證裁剪、模型輸入和匯出前處理；Resize 的短邊值按分類原有 256/224 比例聯動，而不是把所有前處理直接替換成無裁剪拉伸。

輸入大小必須與業務目標細節匹配。該頁面沒有經典偵測的高寬分離和“只改驗證尺寸”模式。學習率、最佳化器、權重衰減、預熱、AMP、workers 與經典通用參數一致，但對映到分類引擎自己的配置結構。

指標¶

按分類引擎實際輸出顯示訓練和驗證準確率、損失等；不能當作偵測 Precision/Recall/mAP 解讀。各模型配置提供的指標種類可能不同，不會為沒有返回的專案偽造麴線。

自動匯出和部署¶

訓練結束後自動匯出到實驗的 export 目錄，常見檔案為：

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

ImageSize.txt、類別對映及 inference_cls.yaml 按本次最終配置生成，不需要客戶再手工替換通用 ImageNet 參數。生成的部署 YAML 使用相對路徑，部署時以該匯出目錄作為工作目錄，按實際硬體設定部署程式的裝置選項。

軟體的“模型推論驗證”使用訓練檢查點 .pdparams 和訓練配置，而不是把匯出的 .pdmodel 檔案直接當作該介面的權重輸入。二者用途不同。

完整控制項說明見分類參數表。