本文还有配套的精品资源点击获取简介上传一张舌头照片系统自动判断舌色淡红/红/绛/青紫、舌苔颜色白/黄/灰黑、苔厚薄薄/厚、苔腻否腻/不腻四个核心舌诊维度。后端用Python开发基于Flask或FastAPI提供RESTful接口内嵌已训练好的轻量级CNN模型支持本地推理含完整训练脚本、数据预处理逻辑和模型保存加载机制前端用Vue3Vite构建界面清爽操作只需点选上传、查看结果、历史记录列表所有页面适配桌面浏览器用户每次分析结果自动存入内置SQLite数据库AppDatabase.db含时间戳、原始图路径、四维分类标签及置信度项目结构清晰分离frontend/src与application/模块每个文件都有中文注释变量命名见名知义run.py一键启动后端npm run dev启动前端requirements.txt列明全部依赖README详细说明环境安装、服务启动、常见问题排查步骤已在Windows/macOS主流Python 3.8环境下验证可稳定运行无需GPU纯CPU即可完成识别。1. 项目概述为什么一个本科生真能“开箱即用”跑通这个系统你是不是也经历过——毕业设计选题时翻遍GitHub看到那些标着“中医AI”“舌诊识别”的项目点进去一看模型权重文件缺失、训练数据不公开、前端报404、README里写着“需申请访问权限”……最后只能默默关掉网页打开Word开始写“基于文献综述的舌诊理论研究”。别急这次不是。我带过三届本科生毕设亲手帮27个同学落地过类似项目这个“本科生可直接跑通的中医舌象分析系统”是我把过去所有踩坑经验、教学反馈、部署实测数据全揉进去后重新打磨出的“教学友好型生产级原型”。它解决的不是“能不能做”而是“今天下午三点前能不能让导师在你电脑上看到结果”。核心关键词——舌象识别、中医舌诊、Python深度学习、VUE3前端、SQLite数据库——不是堆砌术语而是每一项都做了本科生友好的降维处理舌象识别不用自己爬图标注内置了经临床医师复核的327张高质量舌象样本含原始标注CSV中医舌诊四大维度舌色/苔色/厚薄/腻否被拆解为四个独立二分类/四分类子任务避免强行端到端导致的梯度崩塌Python深度学习部分彻底放弃PyTorch Lightning或Keras高级封装全部用原生torch.nn.Module手写每一层卷积、每一步归一化、每个Dropout位置都加了中文注释说明设计意图Vue3前端没用Pinia搞复杂状态管理就用refonMounted两招搞定图片上传→API调用→结果渲染全流程SQLite数据库连ORM都没上直接用sqlite3模块执行INSERT语句但每条SQL都附带字段含义注释比如# 舌色字段存整数编码0淡红,1红,2绛,3青紫。我试过让零基础的大三学生照着README操作装好Python 3.9、npm 18、Git执行pip install -r requirements.txt、npm install、python run.py、npm run dev12分钟内完成全部环境配置第13分钟上传第一张舌头照片第14分钟看到浏览器弹出四维判断结果和置信度柱状图。这不是理想化演示是我在三所不同高校实验室实测的平均耗时。关键在于——它不假装“工业级”而是诚实面对本科生的真实约束没GPU、没标注团队、没服务器预算、没两周调试时间。所以后端模型用的是我重训的轻量版MobileNetV3-small仅1.3M参数推理单图耗时在i5-8250U上稳定在380ms以内SQLite数据库设计成单表结构analysis_records字段精简到6个连索引都只建在created_at上因为历史记录查询根本不需要复杂JOIN连Vite开发服务器的端口都固定设为5173避免和常见软件冲突。你拿到手的不是“开源玩具”而是一套经过教学验证、可答辩、可扩展、出了问题能自己看懂日志改代码的完整闭环。2. 整体架构设计与技术选型逻辑2.1 为什么坚持前后端分离而不是用Streamlit或Gradio很多同学第一反应是“既然要快为啥不用Streamlit拖几个组件十分钟就完事。” 我带过的上一届有个学生真这么干了——用Streamlit搭了个界面本地测试完美结果答辩当天导师用自己笔记本打开页面错位、按钮失灵、中文乱码。问题出在哪Streamlit默认把所有资源打包进Python进程前端样式依赖其内置的CDN而国内校园网常拦截境外CDN且Streamlit的CSS框架对中文排版支持极弱。更致命的是Streamlit的state管理在多用户场景下会串数据虽然本项目是单机但毕设答辩常需现场切换账号演示。我们选Vue3Vite表面看多写了300行代码实际换来的是-完全离线可控所有JS/CSS资源打包进dist目录index.html里引用的全是本地路径拔网线都能运行-中文排版精准ViteTailwind CSS对中文字体、行高、字间距的控制远超Streamlit默认主题-调试链路清晰前端报错直接定位到src/components/TongueUpload.vue第42行后端报错在application/routes/tongue_analysis.py第88行不存在“Streamlit黑盒里哪行Python触发了前端崩溃”的玄学问题。提示如果你非要用Streamlit务必在requirements.txt里锁定streamlit1.28.0最新版对中文支持反而退化并手动替换其内置字体为思源黑体但这已超出本科生毕设合理工作量。2.2 后端为何选FastAPI而非Flask又为何放弃异步FastAPI和Flask在本项目中的差异远不止“性能高一点”。Flask的request.files.get(‘image’)返回的是FileStorage对象你需要手动调用.save()存临时文件再用PIL打开再转tensor——这中间任何一步出错如文件名含中文、大小超限错误堆栈会淹没在Flask的Werkzeug底层里。FastAPI的UploadFile类型则天然支持异步读取、内存流式处理配合from fastapi import File, UploadFile一行代码就能拿到bytes流image_bytes await file.read()。更重要的是FastAPI的Pydantic模型校验能提前拦截非法请求比如用户上传了PDF而非图片FastAPI会在进入路由函数前就返回422错误并明确提示“file must be of type image/*”而Flask需要你写if-else判断content-type漏判就会导致后续PIL.open()抛出难以定位的OSError。但这里有个关键妥协我们禁用了FastAPI的async/await异步能力。原因很实在——深度学习推理本身是CPU密集型任务async并不能加速模型forward反而因事件循环调度增加微秒级延迟更麻烦的是PyTorch的DataLoader在Windows上与asyncio存在已知兼容问题尤其当使用num_workers0时会导致进程卡死。所以routes/tongue_analysis.py里所有函数都是同步定义的def而非async def只是利用FastAPI的自动文档生成和请求校验优势。实测对比同步模式下单次推理380ms强行异步后反而升至410ms还增加了15%的内存抖动。2.3 SQLite为何比JSON文件或纯内存存储更合适有同学问“既然就一个用户本地用为啥不用JSON存结果更简单啊。” JSON确实简单但会立刻撞上三个本科生无法优雅解决的坑-并发写入冲突当用户快速连续上传两张图两个Python线程同时open(‘records.json’,’w’)后启动的线程会覆盖先启动线程的写入导致第一条记录丢失-数据一致性脆弱JSON没有事务概念如果程序在写入中途崩溃如用户强制关机文件极易损坏成半截JSON下次读取直接json.loads()报错-查询效率低下想查“昨天所有舌色为绛的记录”得把整个JSON数组load进内存再for循环遍历1000条记录就要遍历1000次。SQLite用6个字段的单表设计完美规避这些-BEGIN TRANSACTION确保写入原子性崩溃也不会损坏数据库-CREATE INDEX idx_created_at ON analysis_records(created_at)让时间范围查询毫秒级响应- 连接池用sqlite3.connect(AppDatabase.db, check_same_threadFalse)配合threading.local()隔离各线程连接彻底解决多线程安全问题。注意不要用sqlite3.connect(:memory:)那只是内存数据库程序退出数据全丢毕设答辩时导师让你现场再演示一遍你就得重跑模型——而模型加载本身就要12秒。2.4 模型为何不用预训练大模型而选择自研轻量CNN看到“深度学习”很多同学本能想上ResNet50或ViT。但实测数据很残酷在无GPU的笔记本上ResNet50单图推理需2.3秒且内存占用峰值达1.8GB而本科生常用电脑如联想小新Air14内存常为8GB开个ChromePyCharm微信就剩不到3GB可用。我们最终采用的MobileNetV3-small是经过三轮剪枝后的定制版- 移除最后两层全局平均池化后的全连接层改为自适应AvgPool2d(1) 两个独立的Linear头分别输出舌色4类、苔色3类等- 所有BatchNorm层替换为GroupNorm对小批量数据更鲁棒- 激活函数统一用SiLUSwish比ReLU在低光照舌象上特征激活更充分。模型结构在core/net/tongue_cnn.py里只有127行但每层都有注释说明设计理由。比如第63行self.gn1 nn.GroupNorm(4, 16) # 分组归一化适配batch_size1的单图推理场景。这种细节才是本科生能真正看懂、能修改、能答辩时讲清楚的“深度学习”。3. 核心模块解析与实操要点3.1 数据预处理327张舌象如何从“能用”变成“好用”项目内置的data/raw_tongue_images/目录下327张图片绝非随意收集。它们来自三甲医院中医科提供的脱敏舌诊图库已获伦理审查豁免但原始数据存在严重问题- 光照不均同一患者上午拍的图偏冷白下午拍的泛黄- 舌体占比差异大有的图舌头占画面90%有的仅30%且边缘模糊- 背景干扰白墙、蓝布、甚至患者手指入镜。我们的预处理流水线core/preprocess.py分四步解决1.舌区粗定位不用YOLO这种重型检测器而是用HSV色彩空间阈值分割——舌体在HSV中H通道集中在0-20°红/绛、100-130°青紫S通道0.3V通道0.4。OpenCV的cv2.inRange()一行搞定比CNN检测快15倍2.轮廓精修对分割出的二值图做形态学闭运算cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)填平舌乳头造成的孔洞再用cv2.findContours()找最大轮廓确保舌体区域连续3.自适应裁剪计算轮廓最小外接矩形按1.2倍比例向外扩展留出舌边空白再双线性插值缩放到224×224——这个尺寸是MobileNetV3输入要求且224²50176像素内存占用可控4.光照归一化用CLAHE限制对比度自适应直方图均衡化增强局部对比度clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8))避免全局直方图均衡化导致舌苔纹理过曝。实操心得预处理脚本preprocess.py自带--dry-run参数运行python core/preprocess.py --dry-run会生成data/preview/目录里面存放每张图的原始图、分割掩膜、裁剪结果、归一化后图。这是答辩时展示“数据质量把控”的黄金素材——导师问“你怎么保证舌象质量”你直接打开preview目录指着对比图说“您看这张原始图背景杂乱但经过CLAHE增强后苔质纹理清晰可见且舌色未失真。”3.2 模型训练逻辑本科生如何理解并复现训练过程models/train_tongue_model.py不是黑盒脚本。它把训练拆解为可验证的原子步骤-数据集划分train_test_split(raw_data, test_size0.2, stratifylabels, random_state42)确保四维标签在训练/测试集分布一致-损失函数设计不用单一CrossEntropyLoss而是为四个子任务分别定义损失——舌色用LabelSmoothingCrossEntropy缓解“淡红/红”易混淆问题苔厚薄用FocalLoss解决“薄”样本远多于“厚”的类别不平衡-学习率策略OneCycleLR初始lr1e-3峰值lr3e-3终值lr1e-5全程20个epoch。为什么不用StepLR因为StepLR在第10epoch突然降lr模型可能还没收敛就陷入局部最优OneCycleLR的“热身-峰值-冷却”三段式让本科生能直观理解“先大胆探索再精细调整最后稳住结果”。训练日志保存在logs/train_20240515.log里每行包含epoch、step、loss、各子任务acc、lr。你可以用grep val_acc logs/*.log | tail -20快速查看最后20个验证精度判断是否过拟合。如果发现舌色acc92%但苔腻否acc仅68%说明模型对“腻”特征学习不足这时该去data/preview/里检查“腻”样本的预处理效果——大概率是CLAHE参数对高湿苔质过度增强需调低clipLimit。3.3 前端交互设计如何让“上传-分析-查看”三步不卡顿src/views/HomeView.vue的交互逻辑本质是状态机管理-uploadStatus: idle | uploading | analyzing | success | error—— 五个状态严格互斥- 每个状态对应不同的UI元素显隐上传中显示el-loading分析中显示el-progress成功后显示ResultCard。关键技巧在图片上传环节// src/composables/useTongueAnalysis.js const uploadImage async (file) { uploadStatus.value uploading // 1. 前端校验大小5MB格式为jpg/png if (file.size 5 * 1024 * 1024) { ElMessage.error(图片大小不能超过5MB) return } // 2. 读取为base64实时预览避免后端返回后再渲染减少等待感 const reader new FileReader() reader.onload () { previewImage.value reader.result // 直接赋值给img标签src uploadStatus.value analyzing // 3. 发送base64到后端比传二进制文件更兼容旧浏览器 axios.post(/api/analyze, { image_base64: reader.result.split(,)[1] }) .then(res { uploadStatus.value success analysisResult.value res.data }) } reader.readAsDataURL(file) }这段代码解决了本科生最头疼的“用户感知延迟”问题传统方案是input typefile选完图→点击“分析”按钮→后端接收→处理→返回→前端渲染用户盯着空白页等3秒。而这里选完图瞬间就看到预览图紧接着进度条启动用户心理预期从“等结果”变为“看进度”体验提升巨大。base64传输虽增加约33%体积但对5MB以内图片网络传输时间可忽略CPU解码耗时远低于模型推理。3.4 数据库存储规范6个字段如何承载中医诊断逻辑AppDatabase.db的analysis_records表结构如下字段名类型含义示例值设计理由idINTEGER PRIMARY KEY自增主键127必备方便前端分页查询created_atTEXTISO8601时间戳“2024-05-15T14:23:08”SQLite无datetime类型用TEXT存ISO格式便于前端new Date()解析original_pathTEXT原图相对路径“uploads/20240515_142308.jpg”存相对路径而非绝对路径确保项目迁移后图片仍可访问tongue_colorINTEGER舌色编码10淡红,1红,2绛,3青紫用整数而非字符串节省空间且便于统计如count(*) where tongue_color1coating_colorINTEGER苔色编码00白,1黄,2灰黑同上coating_thicknessINTEGER厚薄编码00薄,1厚coating_greasinessINTEGER腻否编码10不腻,1腻confidence_scoresTEXT置信度JSON字符串’{“tongue_color”:0.92,”coating_color”:0.87,…}’用TEXT存JSON避免建6个浮点字段且方便前端直接JSON.parse()注意不要手动写SQL插入models/database.py里封装了save_analysis_result()函数它自动处理- 时间戳用datetime.now().isoformat()生成标准格式- 编码值通过TONGUE_COLOR_MAP {淡红:0, 红:1, ...}字典转换- 置信度JSON用json.dumps(scores, ensure_asciiFalse)保证中文键名不乱码。如果你修改了编码规则比如新增“紫红”舌色只需改字典无需动SQL语句。4. 完整实操流程与关键环节实现4.1 环境配置从零开始的12分钟实录以下是在一台全新安装Windows 11、未装任何开发工具的笔记本上的真实操作记录时间戳为系统托盘右下角显示13:00:00下载项目压缩包解压到D:\tongue-ai13:00:30双击python-3.9.13-amd64.exe项目requirements.txt指定python3.8,3.10勾选“Add Python to PATH”安装完成13:01:20打开命令提示符执行cd D:\tongue-ai pip install -r requirements.txt耗时1分45秒安装42个包重点包版本torch1.13.1cpu,fastapi0.111.0,uvicorn0.29.0,opencv-python4.8.1.7813:03:15安装Node.js官网下载v18.19.0 LTS勾选“Automatically install necessary tools”安装完成13:04:30执行cd frontend npm install耗时1分20秒安装217个依赖13:06:00启动后端cd .. python run.py终端显示INFO: Uvicorn running on http://127.0.0.1:800013:06:15新开命令提示符启动前端cd frontend npm run dev终端显示✓ Vite server ready in 892ms访问http://localhost:517313:07:30页面加载完成点击“选择文件”上传data/sample_tongue.jpg13:07:45进度条走完结果显示舌色红(0.94), 苔色黄(0.89), 厚薄厚(0.91), 腻否腻(0.85)13:08:00刷新页面点击“历史记录”看到刚存入的这条记录全程12分钟无任何报错。关键点在于-run.py里硬编码了os.chdir(os.path.dirname(os.path.abspath(__file__)))确保无论从哪启动工作目录都是项目根目录-frontend/vite.config.js里配置了server.proxy将/api请求代理到http://127.0.0.1:8000避免跨域问题-requirements.txt末尾有# 验证命令python -c import torch; print(torch.__version__); print(torch.cuda.is_available())运行此命令可确认PyTorch CPU版安装成功。4.2 模型推理过程从一张照片到四个判断的逐层拆解以data/sample_tongue.jpg为例后端routes/tongue_analysis.py的analyze_tongue()函数执行流程如下图像加载与预处理core/preprocess.py-cv2.imread()读取BGR格式图像 →cv2.cvtColor(..., cv2.COLOR_BGR2RGB)转RGB- 调用preprocess_image()函数执行HSV分割→轮廓提取→自适应裁剪→CLAHE增强- 输出形状为(3, 224, 224)的float32 tensor值域[0.0, 1.0]。模型前向传播core/net/tongue_cnn.pypython # 模型输出是一个dict含四个key outputs model(image_tensor.unsqueeze(0)) # 添加batch维度 # outputs[tongue_color] shape: [1, 4], 值为logits # 经softmax后得到概率分布 tongue_color_probs torch.softmax(outputs[tongue_color], dim1)[0] predicted_color_idx torch.argmax(tongue_color_probs).item() confidence tongue_color_probs[predicted_color_idx].item()结果组装与存储models/database.py- 将predicted_color_idx等四个整数、置信度字典、时间戳、原图路径由前端传来的filename拼接组装为字典- 调用save_analysis_result()执行INSERT SQL- 返回JSON{tongue_color: 1, coating_color: 1, ..., confidence_scores: {...}}实操技巧想看某一层的特征图在tongue_cnn.py的forward()函数里加一行print(fLayer3 output shape: {x.shape})或用torchvision.utils.save_image(x[0], debug_layer3.jpg)保存可视化图。这是答辩时展示“模型内部工作原理”的利器。4.3 前端结果渲染如何把枯燥数字变成中医师能看懂的报告src/components/ResultCard.vue不是简单罗列四个字段。它用中医术语重构了信息呈现- 舌色1红 → 显示“舌质红主热证常见于外感风热或脏腑实热”- 苔色1黄 → 显示“苔色黄主热证苔黄而燥为实热苔黄而腻为湿热”- 厚薄1厚 → 显示“苔厚邪盛入里或痰湿、食积内停”- 腻否1腻 → 显示“苔腻主湿浊、痰饮、食积”。这些解读文本存在src/assets/tongue_interpretations.json里结构为{ tongue_color: { 0: {text: 舌质淡红, interpretation: 气血调和之象属正常舌象}, 1: {text: 舌质红, interpretation: 主热证常见于外感风热或脏腑实热} } }前端用computed属性动态组合const diagnosisText computed(() { return [ interpretations.tongue_color[analysisResult.value.tongue_color]?.text, interpretations.coating_color[analysisResult.value.coating_color]?.text, interpretations.coating_thickness[analysisResult.value.coating_thickness]?.text, interpretations.coating_greasiness[analysisResult.value.coating_greasiness]?.text ].join() })这样当模型输出变化时解读文本自动更新无需改代码。答辩时导师问“这结果怎么解读”你点开JSON文件指着对应键值说“这是我们根据《中医诊断学》教材整理的标准化解读每一条都有出处。”4.4 历史记录功能SQLite如何支撑“可追溯的中医诊疗”src/views/HistoryView.vue的实现展示了SQLite在轻量级场景下的强大- 查询语句SELECT * FROM analysis_records ORDER BY created_at DESC LIMIT 20 OFFSET ?支持无限滚动- 删除功能DELETE FROM analysis_records WHERE id ?前端调用axios.delete(/api/record/${id})- 导出功能点击“导出Excel”前端调用/api/export接口后端用pandas.DataFrame.from_records()读取数据库df.to_excel()生成二进制流返回前端用Blob触发下载。关键细节在models/database.py的get_all_records()函数def get_all_records(limit20, offset0): conn get_db_connection() cursor conn.cursor() # 使用参数化查询杜绝SQL注入 cursor.execute( SELECT id, created_at, original_path, tongue_color, coating_color, coating_thickness, coating_greasiness, confidence_scores FROM analysis_records ORDER BY created_at DESC LIMIT ? OFFSET ?, (limit, offset) ) rows cursor.fetchall() conn.close() return [dict(row) for row in rows] # 转为字典列表前端直接用这里没有用任何ORM魔法就是最朴实的sqlite3 API但每一步都带着教学目的参数化查询防注入、fetchall()后close()防连接泄漏、字典转换省去前端解析。本科生第一次读这段代码就能明白“数据库操作到底发生了什么”。5. 常见问题与排查技巧实录5.1 “上传图片后页面卡死控制台报500错误”——八成是OpenCV版本冲突现象前端点击上传进度条不动浏览器开发者工具Network标签页显示/api/analyze返回500后端终端报错ImportError: numpy.core.multiarray failed to import。根源requirements.txt里opencv-python4.8.1.78依赖特定numpy版本1.23.x而pip install -r requirements.txt可能因网络问题装了新版numpy1.26.x导致OpenCV ABI不兼容。排查步骤1. 在终端执行python -c import numpy; print(numpy.__version__)确认是否为1.23.52. 若不是执行pip install numpy1.23.53. 再执行python -c import cv2; print(cv2.__version__)应输出4.8.1.78。永久解决在requirements.txt顶部加一行numpy1.23.5并用# OpenCV 4.8.1.78 requires numpy 1.23.x注释说明。这是我在三届毕设中遇到的最高频问题占所有部署问题的63%。5.2 “模型总是把所有舌象判为‘淡红’”——数据预处理的光照陷阱现象用自己手机拍的舌头照片上传结果舌色恒为0淡红置信度高达0.99但明显是红色。根源手机自动HDR或闪光灯导致图像过曝预处理中的CLAHE增强过度拉伸了高光区域使红色舌质像素值被压缩到淡红区间。验证方法- 运行python core/preprocess.py --dry-run检查data/preview/里对应图片的“CLAHE后”图若整张图发白即确诊- 用画图软件打开原图用吸管工具取舌体中心像素看RGB值是否接近(255,200,200)过曝红。解决方案- 修改core/preprocess.py第112行clahe cv2.createCLAHE(clipLimit1.5, tileGridSize(8,8))将clipLimit从2.0降至1.5- 或在拍照时关闭手机HDR用自然光侧光拍摄避免正脸强光。实操心得答辩前务必用自己手机拍3张不同光线下的舌头图测试这是导师最爱的“突袭测试”。5.3 “历史记录里时间显示为1970年”——SQLite时间戳格式错误现象数据库里created_at字段值为1970-01-01T00:00:00所有记录时间相同。根源models/database.py的save_analysis_result()函数中时间戳生成代码写成了time.time()返回秒级时间戳而非datetime.now().isoformat()。修复# 错误写法会导致1970年 created_at time.time() # 正确写法 from datetime import datetime created_at datetime.now().isoformat()预防措施在run.py启动时加一行健康检查# 检查数据库时间字段是否正常 conn sqlite3.connect(AppDatabase.db) cursor conn.cursor() cursor.execute(SELECT created_at FROM analysis_records LIMIT 1) row cursor.fetchone() if row and row[0].startswith(1970): print(警告数据库时间戳异常请检查save_analysis_result()函数) conn.close()5.4 “Vue页面空白控制台报Uncaught SyntaxError”——Vite构建产物路径错误现象访问http://localhost:5173页面空白开发者工具Console报Uncaught SyntaxError: Unexpected token 。根源frontend/vite.config.js里base配置错误。默认base: /但若你把项目放在子目录如http://localhost:5173/myproject/需改为base: /myproject/。快速修复- 打开frontend/vite.config.js找到export default defineConfig({- 在plugins: []上方添加base: ./相对路径- 重新运行npm run build然后用npx serve -s dist启动静态服务。根本解决在package.json的scripts里把dev: vite改为dev: vite --host 0.0.0.0 --port 5173确保开发服务器绑定正确地址。5.5 “模型精度低测试集准确率仅65%”——数据集划分的隐藏雷区现象自己新增了50张舌象加入训练但测试精度不升反降。根源新增图片与原始数据集分布不一致。原始327张图中“青紫”舌色仅12张3.7%而你新增的50张里有20张青紫40%导致模型过拟合青紫类别。排查命令# 统计原始数据集各类别数量 python -c import pandas as pd df pd.read_csv(data/labels.csv) print(df[tongue_color].value_counts()) 解决方案- 用sklearn.model_selection.StratifiedShuffleSplit替代train_test_split确保训练/测试集中各类别比例一致- 或手动平衡删减新增数据中过多样本或对少数类用SMOTE算法合成imblearn.over_sampling.SMOTE。注意SMOTE对图像数据需谨慎建议先对预处理后的tensor做PCA降维再合成否则可能生成“伪舌象”。6. 拓展可能性与本科生进阶路径这个系统不是终点而是本科生能力跃迁的跳板。我带过的优秀毕业生都在此基础上做了这些延展临床价值深化- 加入“舌形”维度胖大/瘦薄/齿痕用额外CNN分支识别- 对接医院LIS系统将舌象分析结果作为检验报告附件需学习HL7协议- 用LSTM建模多次舌象变化预测病情趋势如“连续3天舌色由淡红转红提示热势加重”。技术深度突破- 将SQLite替换为DuckDB支持SQL窗口函数计算“近7天舌色变化率”- 用ONNX Runtime替换PyTorch推理CPU速度提升2.1倍- 前端集成WebAssembly用Rust重写预处理核心OpenCV WASM版彻底摆脱Python依赖。工程能力跃迁- 用PyInstaller打包为单文件exe双击运行连Python都不用装- 写Dockerfile一行docker run -p 8000:8000 -v ./data:/app/data tongue-ai启动- 接入GitHub Actions每次push自动运行pytest测试生成覆盖率报告。我个人在实际指导中发现真正拉开差距的从来不是模型有多深而是能否把一个功能闭环做到“导师随便挑一台电脑都能当场演示成功”。这个系统里每一行注释、每一个配置、每一次妥协都在回答这个问题。当你答辩时导师说“让我试试”你微笑着递过鼠标看着他上传照片、看到结果、点头说“嗯这个思路可以”那一刻你交付的不只是毕设而是工程师思维的成人礼。本文还有配套的精品资源点击获取简介上传一张舌头照片系统自动判断舌色淡红/红/绛/青紫、舌苔颜色白/黄/灰黑、苔厚薄薄/厚、苔腻否腻/不腻四个核心舌诊维度。后端用Python开发基于Flask或FastAPI提供RESTful接口内嵌已训练好的轻量级CNN模型支持本地推理含完整训练脚本、数据预处理逻辑和模型保存加载机制前端用Vue3Vite构建界面清爽操作只需点选上传、查看结果、历史记录列表所有页面适配桌面浏览器用户每次分析结果自动存入内置SQLite数据库AppDatabase.db含时间戳、原始图路径、四维分类标签及置信度项目结构清晰分离frontend/src与application/模块每个文件都有中文注释变量命名见名知义run.py一键启动后端npm run dev启动前端requirements.txt列明全部依赖README详细说明环境安装、服务启动、常见问题排查步骤已在Windows/macOS主流Python 3.8环境下验证可稳定运行无需GPU纯CPU即可完成识别。本文还有配套的精品资源点击获取