大家好，我是B站的UP主：我喜欢吃小熊饼干。我在CSDN会写一些文章介绍我做的项目，这些项目我都录制了详细的讲解视频（约4-6个小时的内容量），讲解基础知识，环境配置，代码使用等内容。

详细了解请移步：

详细讲解视频合集-哔哩哔哩视频-我喜欢吃小熊饼干的主页https://space.bilibili.com/284801305

几分钟快速预览项目效果的演示视频：

​​​​​

详细的讲解视频合集：

1. 合集第一集：主要讲对整个教程的介绍，深度学习项目的基本做法和基本概念。然后介绍具体该项目的基本做法。如何去扩张项目，增加更多的内容。（这里不会涉及到代码，纯从项目的做法的角度，以PPT讲解的方式带大家入门，建立深度学习的基本概念）
2. 合集第二集：毕设选题指导，毕设服务等内容
3. 合集第三集：从代码使用和演示的角度，介绍项目的内容。科普深度学习环境配置的知识，如何配置项目，如何使用项目，更换数据集训练，完成特定的课题。
4. 合集第四集：讲解文档相关的内容，开题报告、开题ppt、开题答辩，论文写作，论文答辩等

​​​​​

第一集和第三集比较重要，可以整体看下这两个视频。

下面我用文字介绍一下项目的内容

项目的背景意义：

眼底作为人体唯一可直接观察血管与神经的部位，其健康状态不仅关乎视觉功能，更能反映全身多种疾病（如糖尿病视网膜病变、高血压眼底病变、青光眼等）的发展轨迹，是临床 “窥一斑而知全豹” 的重要诊疗窗口。然而，传统眼底病变诊断模式长期受限于专业资源稀缺、人工鉴别门槛高、诊断时效性不足等问题，难以满足大众对眼健康及全身健康管理的精细化需求：在诊疗环节，眼底病变早期症状隐匿，部分病变形态相似（如不同类型的视网膜出血、渗出），医生需凭借丰富经验与专业知识解读眼底影像，易因主观判断差异或病灶细微导致误诊、漏诊，不仅可能延误眼部疾病的治疗，更可能错过全身基础疾病的早期干预时机；在医疗资源分配上，具备眼底病专业诊断能力的医师多集中于大城市三甲医院，基层医疗机构因缺乏技术支撑与专业人才，难以开展系统的眼底病变筛查，导致偏远地区或基层患者面临 “看病远、看专家难” 的困境；在健康筛查领域，大规模人群眼底健康普查依赖专业团队逐人诊断，效率低下且覆盖范围有限，难以实现疾病的早发现、早干预，尤其对于糖尿病、高血压等慢性病患者，无法及时监测眼底并发症风险。​

随着公众健康意识提升与慢性病管理需求增长，社会对眼底病变诊断的及时性、准确性与可及性提出了更高要求。一方面，患者渴望通过便捷的眼底检查，既能守护视觉健康，也能早期发现全身潜在疾病，避免因认知不足或医疗资源匮乏错过干预窗口；另一方面，医疗体系亟需通过技术创新突破诊断瓶颈，缓解优质医疗资源供需矛盾，推动眼底健康服务向基层延伸、向预防转型；此外，在慢性病管理与科研领域，传统眼底病变样本收集与分析依赖人工整理，难以形成规模化、标准化的研究数据，制约了疾病发病机制、诊疗方案及风险预测模型的创新突破。​

眼底病变图像分类项目依托计算机视觉与深度学习技术，突破人工诊断的经验壁垒与资源局限，能够精准捕捉眼底影像中的病灶特征（如出血点、渗出物、血管形态异常）、结构变化（如视神经乳头形态、黄斑区状态），实现对不同类型眼底病变的高效区分与风险评估。这一技术突破的价值不仅在于解决当下诊疗痛点，更在于为眼健康与全身健康管理体系升级提供底层支撑：在临床诊疗层面，它能为医生提供客观的辅助诊断依据，降低早期误诊漏诊风险，尤其助力基层医疗机构提升诊断能力，让偏远地区患者也能获得专业的眼底健康评估，同时为全身慢性病管理提供重要参考；在健康筛查领域，它可提升大规模人群眼底健康普查效率，推动疾病从 “被动治疗” 向 “主动预防” 转型，减少晚期病变及并发症发生概率；在科研创新层面，它能推动眼底病变影像数据的标准化分析与共享，为疾病机制研究、新型诊疗技术开发、慢性病并发症风险预测提供数据支撑，加速精准医疗发展；在健康管理层面，它还能提升大众对眼底健康与全身疾病关联的认知，引导科学就医观念，助力构建 “眼健康 - 全身健康” 一体化的健康保障体系。​

从长远来看，眼底病变图像分类技术不仅是眼科诊疗领域的技术革新，更是推动健康服务均等化、精准化的重要纽带，其价值贯穿于疾病诊疗、健康预防、慢性病管理、科研创新等多个维度，对守护公众视觉健康与全身健康、优化医疗资源配置、推动健康中国建设具有深远的意义。

项目的技术路线图

​​​​项目的数据集信息如下：

项目里实现了9种常见的模型，包括：

CNN架构的模型：

 1.AlexNet

 2.VGG

 3.ResNet

 4.MobileNet

 5.DenseNet

 6.ConvNeXt

 7.ShuffleNet

 Transformer架构的模型：

8. Swin_Transformer

 9. VIT

在我的设计的项目里，一般结构如下：

​​​​​

model.py: 定义模型结构

train.py：训练模型

csv文件夹里是每次训练模型生成的日志文件

logs文件夹里是TensorBoard的日志文件

weights文件夹里存储最终训练得到的模型。

举例子，ResNet模型的核心代码如下（其他模型类似，不在赘述）：

class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel,
                               kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channel)
        self.relu = nn.ReLU()
        self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel,
                               kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channel)
        self.downsample = downsample

    def forward(self, x):
        identity = x
        if self.downsample is not None:
            identity = self.downsample(x)

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        out += identity
        out = self.relu(out)

        return out


class Bottleneck(nn.Module):
    expansion = 4

    def __init__(self, in_channel, out_channel, stride=1, downsample=None,
                 groups=1, width_per_group=64):
        super(Bottleneck, self).__init__()

        width = int(out_channel * (width_per_group / 64.)) * groups

        self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=width,
                               kernel_size=1, stride=1, bias=False)  # squeeze channels
        self.bn1 = nn.BatchNorm2d(width)
        # -----------------------------------------
        self.conv2 = nn.Conv2d(in_channels=width, out_channels=width, groups=groups,
                               kernel_size=3, stride=stride, bias=False, padding=1)
        self.bn2 = nn.BatchNorm2d(width)
        # -----------------------------------------
        self.conv3 = nn.Conv2d(in_channels=width, out_channels=out_channel*self.expansion,
                               kernel_size=1, stride=1, bias=False)  # unsqueeze channels
        self.bn3 = nn.BatchNorm2d(out_channel*self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample

    def forward(self, x):
        identity = x
        if self.downsample is not None:
            identity = self.downsample(x)

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)

        out = self.conv3(out)
        out = self.bn3(out)

        out += identity
        out = self.relu(out)

        return out


class ResNet(nn.Module):

    def __init__(self,
                 block,
                 blocks_num,
                 num_classes=1000,
                 include_top=True,
                 groups=1,
                 width_per_group=64):
        super(ResNet, self).__init__()
        self.include_top = include_top
        self.in_channel = 64

        self.groups = groups
        self.width_per_group = width_per_group

        self.conv1 = nn.Conv2d(3, self.in_channel, kernel_size=7, stride=2,
                               padding=3, bias=False)
        self.bn1 = nn.BatchNorm2d(self.in_channel)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, blocks_num[0])
        self.layer2 = self._make_layer(block, 128, blocks_num[1], stride=2)
        self.layer3 = self._make_layer(block, 256, blocks_num[2], stride=2)
        self.layer4 = self._make_layer(block, 512, blocks_num[3], stride=2)
        if self.include_top:
            self.avgpool = nn.AdaptiveAvgPool2d((1, 1))  # output size = (1, 1)
            self.fc = nn.Linear(512 * block.expansion, num_classes)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')

    def _make_layer(self, block, channel, block_num, stride=1):
        downsample = None
        if stride != 1 or self.in_channel != channel * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.in_channel, channel * block.expansion, kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(channel * block.expansion))

        layers = []
        layers.append(block(self.in_channel,
                            channel,
                            downsample=downsample,
                            stride=stride,
                            groups=self.groups,
                            width_per_group=self.width_per_group))
        self.in_channel = channel * block.expansion

        for _ in range(1, block_num):
            layers.append(block(self.in_channel,
                                channel,
                                groups=self.groups,
                                width_per_group=self.width_per_group))

        return nn.Sequential(*layers)

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)

        if self.include_top:
            x = self.avgpool(x)
            x = torch.flatten(x, 1)
            x = self.fc(x)

        return x

并且项目对模型进行了优化改进，改进的内容是增加CBAM注意力机制，项目里可以实现对以上任意一种模型增加CBAM注意力机制。

常见的做法是先选择2-4种候选模型（9种模型都用有点多，推荐选部分你喜欢的模型）做对比实验，选出性能最好的模型，在最优的模型的基础上，进一步增加cbam注意力机制，进行优化改进。如果老师要求高，可以在进一步做消融实验（即模型改进优化前后的对比实验）。

CBAM机制的核心代码如下：

# CBAM 注意力模块实现 (可复用)
class CBAM(nn.Module):
    def __init__(self, channels: int, reduction_ratio: int = 16, kernel_size: int = 7):
        super(CBAM, self).__init__()
        # 通道注意力
        self.channel_att = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(channels, channels // reduction_ratio, kernel_size=1, bias=False),
            nn.ReLU(inplace=True),
            nn.Conv2d(channels // reduction_ratio, channels, kernel_size=1, bias=False),
            nn.Sigmoid()
        )

        # 空间注意力
        self.spatial_att = nn.Sequential(
            nn.Conv2d(2, 1, kernel_size=kernel_size, padding=kernel_size // 2, bias=False),
            nn.Sigmoid()
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        # 通道注意力
        channel_att = self.channel_att(x)
        x_channel = x * channel_att

        # 空间注意力
        max_pool = torch.max(x_channel, dim=1, keepdim=True)[0]
        avg_pool = torch.mean(x_channel, dim=1, keepdim=True)
        spatial_att = self.spatial_att(torch.cat([max_pool, avg_pool], dim=1))
        x_out = x_channel * spatial_att

        return x_out

CBAM结构的示意图如下：

​​​​​

CBAM注意力机制是一种用于前馈卷积神经网络的简单而有效的注意力模块。 给定一个中间特征图，CBAM模块会沿着两个独立的维度（通道和空间）依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。 由于CBAM是轻量级的通用模块，因此可以忽略的该模块的开销而将其无缝集成到任何CNN架构中，并且可以与基础CNN一起进行端到端训练。

首先，输入是一个中间特征图，将特征图输入至Channel Attention Module 获取通道注意力，然后将注意力权重作用于中间特征图。

然后，将施加通道注意力的特征图输入至Spatial Attention Module 获取空间注意力，然后将注意力权重作用到特征图上。

最终，经过这两个注意力模块的串行操作，最初的特征图就经过了通道和空间两个注意力机制的处理，自适应细化特征。

​​​​​

训练完模型可以做对比实验，通过写代码可以制作对比曲线图和柱状图，项目的最终实验效果如下：

模型最终能达到95%以上的准确率

除了对比实验之外，还可以进一步分析模型的性能，其中

混淆矩阵实验图如下：

ROC曲线实验图如下：

以上是实验的内容。

最后基于Python的Django框架，制作最终的演示系统，最终结果预览如下：

本项目包含：

1.多模型的对比实验和图表，丰富了项目的内容。

2. 模型的优化改进，实现项目的重新。

3. 混淆矩阵和ROC等实验分析，拓展的项目的深度和内容量

4.实现了最终的演示系统，实现了项目的落地和应用。

​​​​​