# 猫狗分类（简化版，模块化）

本仓库已在“最佳实践”的前提下大幅简化并保持模块化：

- 仅保留核心模块与脚本：数据加载（自动识别布局与切分）、训练、评估、推理、中文日志。
- 默认使用预训练 EfficientNet-B0（纯 CNN，小巧但性能强）。
- 日志为中文且全面：包含环境信息、超参、数据统计、每轮指标、学习率、用时、检查点保存等，同时写入日志文件和控制台。

数据路径：`dataset`（固定为 Kaggle 扁平布局）
- `dataset/train` 目录下包含形如 `cat.*.jpg` 与 `dog.*.jpg` 的标注图片
- 本代码会在线从 `train` 中按类别切分：
  - 训练：每类 1000 张
  - 验证：每类 500 张
  - 测试：每类 500 张（从 `train` 中划分，随机种子 42）

## 安装依赖

```bash
pip install -r requirements.txt
```

## 训练

```bash
python train.py \
  --data-dir dataset \
  --epochs 15 \
  --batch-size 32 \
  --lr 0.001 \
  --img-size 224 \
  --workers 4 \
  --output-dir runs/exp1 \
  --log-file train.log
```

- 自动使用 GPU（如可用），默认开启混合精度（Amp）。
- 每轮都会在 `val` 上验证，保存 `best.pth`（按验证准确率最佳）与 `last.pth`。
- 若存在 `dataset/test` 或在线切分生成测试集，脚本最后会在测试集上进行一次评估并记录日志。

## 评估（验证/测试）

```bash
# 验证集
python evaluate.py --data-dir dataset --checkpoint runs/exp1/best.pth --split val --log-file runs/exp1/eval_val.log

# 测试集
python evaluate.py --data-dir dataset --checkpoint runs/exp1/best.pth --split test --log-file runs/exp1/eval_test.log
```

## 推理（单图/目录）

```bash
# 单张图片
python predict.py --checkpoint runs/exp1/best.pth --image /path/to/image.jpg --log-file runs/exp1/predict.log

# 目录批量推理 + 导出 CSV
python predict.py --checkpoint runs/exp1/best.pth --image-dir /path/to/images --out runs/exp1/preds.csv --log-file runs/exp1/predict.log
```

## 常用可选参数

- `--data-dir` 数据根目录，默认为 `dataset`
- `--epochs`、`--batch-size`、`--lr`、`--weight-decay`、`--img-size`、`--workers`
- `--output-dir` 输出目录，保存日志和权重
- `--log-file` 日志文件名（相对路径写到输出目录）
- `--seed` 随机种子
- `--no-amp` 禁用混合精度

## 目录结构（精简且模块化）

```
.
├── dataset/
├── src/
│   ├── data.py       # 数据加载与自动切分（1000/500/500）
│   ├── engine.py     # 训练与评估核心循环（tqdm 进度）
│   ├── models.py     # EfficientNet-B0 构建与替换分类头
│   └── utils.py      # set_seed / ensure_dir / save_checkpoint
├── train.py
├── evaluate.py
├── predict.py
└── requirements.txt
```