在计算机视觉方向的入门项目里人脸年龄与性别预测算是一个“既简单又复杂”的选题。说它简单是因为现在调用现成的人脸识别API几行代码就能拿到结果说它复杂是如果你真的想从数据训练一个自己的模型理解背后的特征提取、回归与分类的取舍这里面有很多值得拆开揉碎讲的细节。这篇文章我基于 IMDB-WIKI 人脸数据集用 Python 完成了一个年龄与性别预测项目整个过程包括数据清洗、模型搭建、训练调优和推理落地这里把我实际操作的完整思路和踩过的坑都写出来给想做类似方向的朋友做一个参考。1. 项目整体设计与思路拆解1.1 为什么选 IMDB-WIKI 数据集先聊数据。年龄与性别预测这个任务公开数据集有几个选择比如 UTKFace、Adience、IMDB-WIKI但实际用过一圈之后IMDB-WIKI 是我认为最适合用来做“预训练微调”这个思路的数据集。IMDB-WIKI 数据集是 IMDB 和 Wikipedia 两个来源的图片集合包含超过 50 万张名人面孔每张图片都带有年龄和性别标签。年龄是通过人物照片拍摄日期和出生日期计算得到的性别则是人物信息的字段。这个数据集的优势是规模大、年龄分布宽从婴儿到老人都覆盖到了缺点也很明显就是标签噪声非常大——毕竟名人照片的拍摄日期、原始图片的质量参差不齐很多年龄标签并不准确。那我为什么仍然选它因为在实际做年龄预测的时候模型泛化能力往往比精确的标签更重要。IMDB-WIKI 的大规模数据可以让模型先学到“人脸与年龄的粗粒度关系”然后通过适当的清洗和重标注再针对应用场景做微调。这种“先在噪声数据上预训练、再在干净数据上精调”的思路在工业界是非常常用的做法。1.2 技术选型与整体架构年龄与性别预测的主流做法有两类直接用分类模型把年龄离散化成多个年龄段或者用回归模型预测连续年龄值再或者像 DEX 那篇经典论文一样先把年龄做成分类问题最后用期望值计算得到连续的年龄。我在这个项目里采用的思路是性别识别二分类问题用交叉熵损失。年龄预测采用 DEX 的思路将 0 到 100 岁按每 1 岁一个类别做 101 分类最后用 softmax 输出的概率分布计算期望年龄。这样做的好处是即使某些年龄段的样本有噪声模型在相邻年龄类别之间仍然有平滑的输出概率鲁棒性比直接回归更好。整个项目基于 PyTorch 框架来实现模型主干选用 ResNet34。选择 ResNet34 而不是更深的 ResNet50 或者更轻的 MobileNet是考虑到 IMDB-WIKI 数据量虽然大但标签噪声高太深的网络容易过拟合噪声而 ResNet34 在 ImageNet 上预训练后其人脸特征提取能力已经足够微调效率高显存占用也比较友好。整体的流程分为四步数据下载与清洗从 IMDB-WIKI 原始数据中提取训练所需的图像路径、年龄、性别标签。数据预处理与加载包括人脸检测裁剪、归一化、随机增强。模型构建与训练双分支输出一个分支做性别分类一个分支做年龄分类然后计算期望年龄。推理与应用输入一张人脸图片输出性别与预测年龄同时给出各个年龄的概率分布可以用于后续的不确定性分析。2. 数据获取与预处理2.1 下载 IMDB-WIKI 数据集IMDB-WIKI 数据集的官方下载地址在 IMDB-WIKI 的 GitHub 仓库里需要分别下载 imdb_crop.tar 和 wiki_crop.tar解压后的目录结构大致如下imdb_crop/ imdb.csv 00/ 01.jpg 02.jpg 01/ ... wiki_crop/ wiki.csv 00/ ...对应的还有两个 CSV 文件imdb.csv 和 wiki.csv里面记录了每一张图片的年龄、性别、路径等关键字段。需要注意这两个 CSV 文件比较大我用的是按块读取的方式避免一次性加载导致内存撑爆。下载完成之后第一步是把两个数据集合并。合并前先看下 CSV 的关键字段age根据出生日期与拍摄日期计算出的年龄类型是浮点数。gender0 表示男1 表示女IMDB-WIKI 数据集里 0 是男、1 是女但不同版本可能标记相反需要先确认。path图片相对路径。face_score、second_face_score人脸检测的置信度分数这个字段是清洗数据时非常关键的。我先把 imdb.csv 和 wiki.csv 读取进来统一字段名然后做初步的过滤。实际操作中数据清洗这一步花的时间比训练还要久因为原始数据里有很多图片是多个人脸、没有人脸、标签异常等情况直接拿去训练模型基本学不到什么。2.2 数据清洗的关键步骤IMDB-WIKI 的标签噪声主要体现在三个方面年龄标签不准比如有人把童年照片的拍摄日期填错算出来的年龄与实际相差十几岁或者使用旧照片作为头像但 CSV 里记录的是拍摄时间最终还是会导致年龄标签偏大或偏小。性别标签错误少数图片的性别字段与图片内容明显不符这部分只能通过人工抽检或者训练过程中的置信度来判断前期没有一个一劳永逸的过滤方法。人脸质量参差不齐有的图片模糊、变形、光照极差直接输入模型会影响收敛效果。我做的清洗策略包括这几个步骤过滤掉face_score为 NaN 或者过低的样本。face_score是原数据集提供的正脸检测置信度低于 0.5 的样本质量通常较差直接删除。如果second_face_score不为空说明图片中含有多张人脸这类样本也过滤掉避免标签与人脸不对应。过滤掉年龄小于 0 或大于 100 的样本这类数据基本是脏数据。另外年龄在 0 到 2 岁之间的样本由于儿童人脸特征变化快、标注噪声大我在实际项目中会选择保留但加大随机增强的比例。性别字段若非 0 或 1直接删除。检查图片文件是否真实存在不存在的路径直接丢弃——因为下载过程中可能会缺图后面加载时才发现会非常浪费训练时间。清洗过后我的数据集规模从 50 多万张缩减到约 42 万张。不要觉得浪费实际上在噪声数据上做训练质量比数量重要得多。2.3 人脸区域检测与裁剪IMDB-WIKI 的图片不是标准的人脸特写很多是半身照或者带背景的剧照。直接整图扔进 ResNet 不一定能聚焦到人脸区域所以在预处理阶段需要做人脸检测和裁剪。人脸检测我用了 OpenCV 的 DNN 人脸检测器基于 ResNet10 的 SSD 模型速度和精度在 CPU 上也能跑得动。相比 Haar Cascade 和 HOG 的方式DNN 检测器在侧脸、暗光环境下的表现更好一点。检测到人脸框之后我一般会向外扩 20% 的边距把额头和下巴边缘的信息也包含进来这样裁剪出来的人脸区域更完整。裁剪后的图片统一缩放为 224x224 像素像素值归一化到 [0,1]然后用 ImageNet 的 mean 和 std 做标准化。这里要注意很多开源项目用的是 224x224 的输入但也有用 229x229 的这个跟预训练模型有关用了 ImageNet 预训练权重就沿用其标准不要自己发明一套。2.4 数据加载与增强策略数据加载我用的是 PyTorch 的 Dataset 和 DataLoader。每个样本包含三个部分人脸图像、性别标签、年龄标签。年龄标签在这里需要转换成分类标签如果年龄是 25.4 岁我会四舍五入到 25然后做成 one-hot 或者直接用整数标签作为分类目标。训练时的实时数据增强包括随机水平翻转概率 0.5。随机旋转范围 -10 到 10 度。随机亮度对比度调整范围 0.8 到 1.2。RandomResizedCrop范围 0.8 到 1.0在训练时增加人脸位置轻微偏移的鲁棒性。归一化ImageNet 标准的 mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]。测试和验证阶段不做随机增强只做中心裁剪和缩放。我踩过的坑是一开始把 RandomResizedCrop 的范围设得太大导致训练时经常看到半张脸性别分类和年龄分类都出现了不同程度的掉点后来把裁剪范围收紧到 0.8 以上效果明显回升。3. 模型搭建与训练3.1 基于 ResNet34 的双分支网络结构模型部分我构建了一个双分支输出的网络。主干是 ResNet34去掉最后的全连接层保留全局平均池化后的 512 维特征。然后在这个特征之上分出两个分支性别分支512 维特征 - Linear(512, 2)输出男/女 logits。年龄分支512 维特征 - Linear(512, 101)输出 0 到 100 岁每个类别的 logits。在 PyTorch 里这里的关键点是把预训练 ResNet34 的fc层替换成 Identity然后再接两个独立的分类头。一开始我犯过一个错误想当然地把fc层输出改成 1032101然后一个全连接一次输出结果性别和年龄的特征没有解耦两个任务互相干扰训练损失下降很慢。后来拆成两个分支各自独立更新收敛速度和最终准确率都明显更好——这也说明多任务学习并不是简单地把输出维度拼在一起合理的特征解耦非常重要。3.2 DEX 算法与年龄期望计算年龄预测的核心是 DEX 论文提出的思想年龄估计不要直接做回归而是先做成分类再通过 softmax 概率加权求和得到连续年龄值。具体来说模型对每张人脸输出 101 个类别的 logits经过 softmax 后得到一个概率分布 p_0, p_1, ..., p_100。期望年龄的计算方式是[ \hat{y} \sum_{i0}^{100} i \cdot p_i ]这样做的好处有两个避免了回归模型在年龄边界上的模糊问题。比如 29 岁和 30 岁实际的人脸差异可能微乎其微但回归模型会试图精确预测一个值误差被计算为均方误差训练时梯度对边界样本过于敏感。分类模型能够学到年龄的分布特征。对于同一张脸模型可能会输出“25 岁概率 0.4、26 岁概率 0.3、27 岁概率 0.2”这样的分布期望值落在一个合理范围内比暴力回归稳定得多。训练时年龄分支的损失函数使用交叉熵损失计算时与实际年龄对应的类别作为监督信号。这里还需要注意一个平衡问题IMDB-WIKI 数据集的年龄分布非常不均衡主要集中在 20 到 40 岁之间。训练时如果不做处理模型会对中年样本过拟合老年和儿童样本的预测效果会很差。我采用的策略是简单的年龄分组加权将 0~10 岁、11~20 岁、21~40 岁、41~60 岁、60 岁以上分成五组每组内的样本在采样时赋予不同的权重保证小年龄段和老年段不会在训练中被淹没。3.3 训练细节与超参数配置我用的 GPU 是一块 RTX 309024GB 显存。如果显存不够可以降低 batch size 或者换 ResNet18但综合效果来看ResNet34 在精度和速度之间是性价比较好的折中。具体的超参数配置如下输入尺寸224x224Batch size128在 3090 上可以跑到 192但要配合混合精度优化器AdamW初始学习率 0.001weight decay 0.0001学习率策略CosineAnnealingLR最大迭代次数 30 个 epoch损失函数性别分支用 CrossEntropyLoss年龄分支也是 CrossEntropyLoss两个损失按 1:1 相加混合精度启用 PyTorch 的 AMP自动混合精度训练速度提升明显显存占用降低约 40%训练开始之前加载在 ImageNet 上预训练好的 ResNet34 权重。这里有一个细节加载预训练权重后需要删除与fc层相关的权重因为我的模型结构已经改了。直接用load_state_dict(strictFalse)可以跳过不匹配的参数。训练过程中的关键监控指标性别分支的准确率年龄分支的 top-1 准确率即预测年龄类别是否和真实类别完全一致年龄绝对误差 MAEMean Absolute Error这个指标在实际应用中比准确率更有参考价值因为年龄预测允许有 1~2 岁的浮动在验证集上性别准确率最终达到 94% 左右年龄 MAE 在 4.5 岁到 5 岁之间。对于 IMDB-WIKI 这种带噪声标签的数据集来说这个结果算是比较正常的水平。如果换到更清晰的人脸数据集上微调MAE 通常可以降到 4 岁以内。3.4 训练过程中的梯度观察这里讲一个可能很多人忽略的实践细节多任务学习时两个分支的 loss 量级要大致接近。性别任务简单loss 一般在 0.2 左右年龄任务复杂loss 可能在 2.0 以上。如果不做任何处理直接相加年龄任务的梯度会主导整个模型的更新性别分支虽然也能收敛但会牺牲一部分性能。我尝试过两种解决办法在 loss 相加前给性别分支乘一个更大的权重比如总 loss age_loss 2 * gender_loss。用 GradNorm 或者不确定性加权的方式自动学习两个任务的权重。实际体验下来简单的手动加权已经够用复杂的加权方法在训练早期容易震荡反而不利于收敛。最终我采用的是固定权重gender_loss 乘 1.5age_loss 乘 1.0。这个比例是在小规模验证集上试出来的大家可以参考但不一定是最优解。4. 推理与应用落地4.1 模型输出的解析训练完成后在推理阶段输入一张人脸图片经过同样的预处理流程模型会输出两个结果性别两个 logits取 argmax。年龄101 个 logitssoftmax 后得到概率分布再计算期望年龄。为了验证模型的实际效果我在一些名人照片上做了测试表现比较符合直觉儿童照片预测年龄偏小年轻人照片预测集中在 20~30 岁区间老年人照片偶尔出现低估的情况。这个低估现象与数据集中老年样本占比少、标签噪声大有直接关系。推理实现时我保留了输出的概率分布而不是只保留期望值因为概率分布的方差可以反映模型对年龄预测的置信度。如果某个样本的年龄概率分布非常平缓说明模型不确定如果集中在某个年龄段附近说明模型相对确定。4.2 推理速度优化在推理速度上我用了几种优化手段将模型切换到 eval 模式并关闭梯度计算用torch.no_grad()包裹推理过程。使用 TensorRT 对模型做 FP16 转换在我的测试环境下单张 224x224 图片的推理时间从 12ms 降到了 5ms 左右。对多张图片的推理使用 DataLoader 批量处理而不是一张一张地传入模型。这些优化在本地实验时可能感知不强但如果要做成实时视频流分析或者部署到边缘设备上对推理延迟的优化就显得特别重要。4.3 展示统计结果项目最终实现了一个简单的可视化页面使用 Gradio 构建。用户上传一张人脸照片页面会返回预测性别、预测年龄和年龄概率分布的柱状图。柱状图的横轴为年龄 0 到 100纵轴为概率值这样用户可以直观看到模型对年龄的估计范围。Gradio 的搭建速度很快几乎不需要前端经验适合做模型效果展示和团队内部分享。如果是做产品化交付可以考虑换成 FastAPI 前端页面的形式但在项目验证阶段Gradio 完全够用。5. 项目核心代码实现5.1 数据清洗脚本数据清洗我用 Pandas 分块读取 CSV示例代码如下import pandas as pd import os def load_and_clean_data(csv_path, image_root): df pd.read_csv(csv_path, header0) # 统一字段名 df df.rename(columns{ age: age, gender: gender, path: path, face_score: face_score, second_face_score: second_face_score }) # 过滤无水脸分数或低分样本 df df.dropna(subset[face_score]) df df[df[face_score] 0.5] # 过滤多张人脸样本 df df[df[second_face_score].isna()] # 过滤年龄异常 df df[(df[age] 0) (df[age] 100)] # 过滤性别异常 df df[df[gender].isin([0, 1])] # 过滤文件不存在 df[full_path] df[path].apply(lambda p: os.path.join(image_root, p.strip())) df df[df[full_path].apply(os.path.exists)] return df[[full_path, age, gender]]这个脚本执行速度很快几十万样本也就一两分钟就处理完了。如果你还想要进一步提升数据质量可以在此基础上加一个人脸检测步骤把检测不到人脸或人脸过小的图片也过滤掉。5.2 Dataset 类定义自定义 Dataset 是 PyTorch 项目中非常重要的一步。我的 Dataset 实现里除了读取图片和标签还做了在线的人脸区域裁剪和增强避免提前把所有图片都处理成 224x224那样会占用太多磁盘空间。import torch from torch.utils.data import Dataset from PIL import Image import cv2 import numpy as np import torchvision.transforms as T class FaceAgeGenderDataset(Dataset): def __init__(self, df, face_detectorNone, trainTrue): self.df df.reset_index(dropTrue) self.face_detector face_detector self.train train self.train_transform T.Compose([ T.RandomResizedCrop(224, scale(0.8, 1.0)), T.RandomHorizontalFlip(0.5), T.ColorJitter(brightness0.2, contrast0.2), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) self.test_transform T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] img_path row[full_path] age int(round(row[age])) gender int(row[gender]) # 如果年龄超过100裁剪到100 age min(max(age, 0), 100) # 读取图片 img_bgr cv2.imread(img_path) if img_bgr is None: # 如果图片损坏随机返回一张其他图片 return self.__getitem__((idx 1) % len(self.df)) # 人脸检测和裁剪 if self.face_detector is not None: face_box self.face_detector.detect_face(img_bgr) if face_box is not None: x, y, w, h face_box margin int(0.2 * w) x max(0, x - margin) y max(0, y - margin) x2 min(img_bgr.shape[1], x w 2 * margin) y2 min(img_bgr.shape[0], y h 2 * margin) img_bgr img_bgr[y:y2, x:x2] # BGR转RGB img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) img_pil Image.fromarray(img_rgb) # 转换 if self.train: img_tensor self.train_transform(img_pil) else: img_tensor self.test_transform(img_pil) return img_tensor, age, gender这个 Dataset 类有几个值得注意的设计点损坏图片随机返回其他样本避免了训练中断人脸检测在线进行可以配合不同的检测器增强和数据读取分离便于调试。5.3 模型构建与训练脚本模型部分的核心代码如下import torch import torch.nn as nn import torchvision.models as models class AgeGenderModel(nn.Module): def __init__(self, num_age_classes101): super().__init__() # 加载预训练ResNet34 backbone models.resnet34(pretrainedTrue) # 去掉原始fc层 self.backbone nn.Sequential(*list(backbone.children())[:-1]) # 性别分支 self.gender_fc nn.Sequential( nn.Linear(512, 128), nn.BatchNorm1d(128), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(128, 2) ) # 年龄分支 self.age_fc nn.Sequential( nn.Linear(512, 256), nn.BatchNorm1d(256), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(256, num_age_classes) ) def forward(self, x): # 提取特征 x self.backbone(x) # shape: (batch, 512, 1, 1) x x.view(x.size(0), -1) # flatten # 双分支输出 gender_logits self.gender_fc(x) age_logits self.age_fc(x) return gender_logits, age_logits def predict_age(self, age_logits): 从年龄logits计算期望年龄 probs torch.softmax(age_logits, dim1) age_range torch.arange(0, 101, deviceage_logits.device, dtypetorch.float32) expected_age (probs * age_range).sum(dim1) return expected_age训练主循环的代码这里不完整贴出基本就是标准的 PyTorch 训练流程每个 batch 前向传播、计算两个 loss、反向传播、更新参数。唯一要注意的是不要忘记对年龄 logits 使用 softmax 计算期望年龄时这个操作不参与训练反向传播的梯度——因为在训练阶段用的是交叉熵损失推理阶段才需要 softmax 和加权求和。5.4 推理可视化代码最后是 Gradio 的可视化部分。为了让展示效果更好我让模型输出年龄概率分布并绘制成柱状图import gradio as gr import torch import numpy as np import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt def predict_age_gender(image): # 预处理... img_tensor preprocess(image) with torch.no_grad(): gender_logits, age_logits model(img_tensor.unsqueeze(0)) gender_pred torch.argmax(gender_logits, dim1).item() age_probs torch.softmax(age_logits, dim1).squeeze().cpu().numpy() expected_age (age_probs * np.arange(101)).sum() gender_label 男 if gender_pred 0 else 女 # 绘制年龄概率分布柱状图 fig, ax plt.subplots(figsize(8, 4)) ax.bar(np.arange(101), age_probs, colorsteelblue) ax.axvline(expected_age, colorred, linestyle--, labelf预测年龄: {expected_age:.1f}岁) ax.set_xlabel(年龄) ax.set_ylabel(概率) ax.legend() ax.set_title(f预测性别: {gender_label}) return gender_label, f{expected_age:.1f}岁, fig demo gr.Interface( fnpredict_age_gender, inputsgr.Image(typenumpy), outputs[text, text, plot], title年龄与性别预测系统, description上传一张人脸照片模型将预测性别与年龄 ) demo.launch()Gradio 的outputs[plot]是可以直接返回 matplotlib 图像的非常方便做效果展示。6. 常见问题与排查技巧实录6.1 数据加载慢怎么解决IMDB-WIKI 图片数量大、单张图片尺寸大数据加载很容易成为训练瓶颈。我的处理方式是把图片统一缩放为 256x256 的 JPEG 格式保存到新的目录减少 IO 压力。使用 DataLoader 的num_workers参数一般设置为 CPU 核心数的一半。我测试过从默认的 0 改成 8训练速度提升非常明显。如果显存和内存都够还可以把整个清洗后的数据集预先读取成内存张量但这种做法对内存要求太高42 万张图片大约需要 60GB 内存并不推荐。6.2 性别准确率高但年龄误差大这种情况很常见。性别分类本质上是一个简单的模式识别任务人脸结构差异明显很容易学。年龄预测则是平滑的回归/分类任务受标签噪声影响很大。我排查过可能的原因年龄标签噪声分布不均匀。某些年龄段比如 20~30 岁标签噪声小但样本量太大导致模型偏向这些年龄段。年龄分布不均衡导致模型对出现在训练集中频率较低的年龄段预测偏差大。数据清洗时face_score阈值设置不合理有些低质量样本混杂在其中。我的应对措施是调整采样权重并加大随机旋转和随机裁剪的强度降低模型对特定人脸角度的过拟合。另外还有一个技巧训练后期对年龄分支做标签平滑可以让模型对噪声标签更鲁棒。6.3 模型收敛后预测年龄总是偏向平均值如果你发现预测结果总是落在 20~40 岁之间基本可以确定是数据不平衡导致的。IMDB-WIKI 数据集中这个年龄段的人脸照片最多、有效样本比例也最高模型学到的最优策略就是“不管输入什么输出都靠近这个区间”。解决思路有几个加权采样让每个年龄段出现的频率接近。用 Focal Loss 替代普通的交叉熵让模型更关注难以分类的年龄段。训练结束后在更干净的验证集上做一次轻量级的校准calibration把模型的年龄输出映射到真实年龄分布。我第一次跑完整流程时测试集上 MAE 是 6.2 岁均衡采样之后降到了 4.8 岁效果非常显著。6.4 深度学习环境安装的坑Pytorch 安装主要涉及 CUDA 版本匹配问题。我的建议是直接用 PyTorch 官方提供的安装命令选择与本地 CUDA driver 兼容的版本。用 conda 管理环境会更简单不同项目的依赖可以隔离。此外torchvision的版本必须与torch版本匹配不然加载预训练模型时可能报错。最简单的办法是用同一行命令同时安装比如pip install torch1.13.1cu116 torchvision0.14.1cu116 --extra-index-url https://download.pytorch.org/whl/cu116如果本地不是这个 CUDA 版本去官网查对应版本即可。CPU 机器上也可以跑这个项目只是训练时间会长很多我建议至少用一个有 6GB 以上显存的显卡。7. 实操总结与个人体会做完这个项目我最大的体会是年龄与性别预测真正难的不是模型结构而是对数据的理解和处理。IMDB-WIKI 数据集虽然大但标签质量问题让模型的上限受到了限制。如果想进一步提升效果有两条路可以走一是利用更大规模、更干净的人脸年龄数据集如 WebFace 系列配合年龄标注做预训练再在 IMDB-WIKI 上微调二是引入人脸关键点信息或者 3D 人脸重建技术从几何特征上辅助年龄估计。前者工程上更容易实现后者研究价值更高。另外多任务学习不一定是“共享特征就一定更好”如果不做合理的任务解耦和权重平衡反而会互相拖累。我在这个项目里踩过的坑基本都是围绕这一点展开的。如果你也想复现这个项目建议先在小规模数据上把训练流程跑通再逐步增加数据量和模型复杂度这样调试效率会高很多。做应用落地时一定要根据实际场景调整模型阈值和数据口径。比如线上用户上传的照片质量参差不齐需要在图像质量过滤上多花心思如果只做年龄粗粒度分段少年、青年、中年、老年完全可以把 101 类合并成 4 类模型的准确率会提升不少。总之算法模型只是一个环节完整的工程链路和场景适配能力才是决定项目能否真正发挥作用的关键。
基于IMDB-WIKI的年龄与性别预测：从数据清洗到模型推理实战
在计算机视觉方向的入门项目里人脸年龄与性别预测算是一个“既简单又复杂”的选题。说它简单是因为现在调用现成的人脸识别API几行代码就能拿到结果说它复杂是如果你真的想从数据训练一个自己的模型理解背后的特征提取、回归与分类的取舍这里面有很多值得拆开揉碎讲的细节。这篇文章我基于 IMDB-WIKI 人脸数据集用 Python 完成了一个年龄与性别预测项目整个过程包括数据清洗、模型搭建、训练调优和推理落地这里把我实际操作的完整思路和踩过的坑都写出来给想做类似方向的朋友做一个参考。1. 项目整体设计与思路拆解1.1 为什么选 IMDB-WIKI 数据集先聊数据。年龄与性别预测这个任务公开数据集有几个选择比如 UTKFace、Adience、IMDB-WIKI但实际用过一圈之后IMDB-WIKI 是我认为最适合用来做“预训练微调”这个思路的数据集。IMDB-WIKI 数据集是 IMDB 和 Wikipedia 两个来源的图片集合包含超过 50 万张名人面孔每张图片都带有年龄和性别标签。年龄是通过人物照片拍摄日期和出生日期计算得到的性别则是人物信息的字段。这个数据集的优势是规模大、年龄分布宽从婴儿到老人都覆盖到了缺点也很明显就是标签噪声非常大——毕竟名人照片的拍摄日期、原始图片的质量参差不齐很多年龄标签并不准确。那我为什么仍然选它因为在实际做年龄预测的时候模型泛化能力往往比精确的标签更重要。IMDB-WIKI 的大规模数据可以让模型先学到“人脸与年龄的粗粒度关系”然后通过适当的清洗和重标注再针对应用场景做微调。这种“先在噪声数据上预训练、再在干净数据上精调”的思路在工业界是非常常用的做法。1.2 技术选型与整体架构年龄与性别预测的主流做法有两类直接用分类模型把年龄离散化成多个年龄段或者用回归模型预测连续年龄值再或者像 DEX 那篇经典论文一样先把年龄做成分类问题最后用期望值计算得到连续的年龄。我在这个项目里采用的思路是性别识别二分类问题用交叉熵损失。年龄预测采用 DEX 的思路将 0 到 100 岁按每 1 岁一个类别做 101 分类最后用 softmax 输出的概率分布计算期望年龄。这样做的好处是即使某些年龄段的样本有噪声模型在相邻年龄类别之间仍然有平滑的输出概率鲁棒性比直接回归更好。整个项目基于 PyTorch 框架来实现模型主干选用 ResNet34。选择 ResNet34 而不是更深的 ResNet50 或者更轻的 MobileNet是考虑到 IMDB-WIKI 数据量虽然大但标签噪声高太深的网络容易过拟合噪声而 ResNet34 在 ImageNet 上预训练后其人脸特征提取能力已经足够微调效率高显存占用也比较友好。整体的流程分为四步数据下载与清洗从 IMDB-WIKI 原始数据中提取训练所需的图像路径、年龄、性别标签。数据预处理与加载包括人脸检测裁剪、归一化、随机增强。模型构建与训练双分支输出一个分支做性别分类一个分支做年龄分类然后计算期望年龄。推理与应用输入一张人脸图片输出性别与预测年龄同时给出各个年龄的概率分布可以用于后续的不确定性分析。2. 数据获取与预处理2.1 下载 IMDB-WIKI 数据集IMDB-WIKI 数据集的官方下载地址在 IMDB-WIKI 的 GitHub 仓库里需要分别下载 imdb_crop.tar 和 wiki_crop.tar解压后的目录结构大致如下imdb_crop/ imdb.csv 00/ 01.jpg 02.jpg 01/ ... wiki_crop/ wiki.csv 00/ ...对应的还有两个 CSV 文件imdb.csv 和 wiki.csv里面记录了每一张图片的年龄、性别、路径等关键字段。需要注意这两个 CSV 文件比较大我用的是按块读取的方式避免一次性加载导致内存撑爆。下载完成之后第一步是把两个数据集合并。合并前先看下 CSV 的关键字段age根据出生日期与拍摄日期计算出的年龄类型是浮点数。gender0 表示男1 表示女IMDB-WIKI 数据集里 0 是男、1 是女但不同版本可能标记相反需要先确认。path图片相对路径。face_score、second_face_score人脸检测的置信度分数这个字段是清洗数据时非常关键的。我先把 imdb.csv 和 wiki.csv 读取进来统一字段名然后做初步的过滤。实际操作中数据清洗这一步花的时间比训练还要久因为原始数据里有很多图片是多个人脸、没有人脸、标签异常等情况直接拿去训练模型基本学不到什么。2.2 数据清洗的关键步骤IMDB-WIKI 的标签噪声主要体现在三个方面年龄标签不准比如有人把童年照片的拍摄日期填错算出来的年龄与实际相差十几岁或者使用旧照片作为头像但 CSV 里记录的是拍摄时间最终还是会导致年龄标签偏大或偏小。性别标签错误少数图片的性别字段与图片内容明显不符这部分只能通过人工抽检或者训练过程中的置信度来判断前期没有一个一劳永逸的过滤方法。人脸质量参差不齐有的图片模糊、变形、光照极差直接输入模型会影响收敛效果。我做的清洗策略包括这几个步骤过滤掉face_score为 NaN 或者过低的样本。face_score是原数据集提供的正脸检测置信度低于 0.5 的样本质量通常较差直接删除。如果second_face_score不为空说明图片中含有多张人脸这类样本也过滤掉避免标签与人脸不对应。过滤掉年龄小于 0 或大于 100 的样本这类数据基本是脏数据。另外年龄在 0 到 2 岁之间的样本由于儿童人脸特征变化快、标注噪声大我在实际项目中会选择保留但加大随机增强的比例。性别字段若非 0 或 1直接删除。检查图片文件是否真实存在不存在的路径直接丢弃——因为下载过程中可能会缺图后面加载时才发现会非常浪费训练时间。清洗过后我的数据集规模从 50 多万张缩减到约 42 万张。不要觉得浪费实际上在噪声数据上做训练质量比数量重要得多。2.3 人脸区域检测与裁剪IMDB-WIKI 的图片不是标准的人脸特写很多是半身照或者带背景的剧照。直接整图扔进 ResNet 不一定能聚焦到人脸区域所以在预处理阶段需要做人脸检测和裁剪。人脸检测我用了 OpenCV 的 DNN 人脸检测器基于 ResNet10 的 SSD 模型速度和精度在 CPU 上也能跑得动。相比 Haar Cascade 和 HOG 的方式DNN 检测器在侧脸、暗光环境下的表现更好一点。检测到人脸框之后我一般会向外扩 20% 的边距把额头和下巴边缘的信息也包含进来这样裁剪出来的人脸区域更完整。裁剪后的图片统一缩放为 224x224 像素像素值归一化到 [0,1]然后用 ImageNet 的 mean 和 std 做标准化。这里要注意很多开源项目用的是 224x224 的输入但也有用 229x229 的这个跟预训练模型有关用了 ImageNet 预训练权重就沿用其标准不要自己发明一套。2.4 数据加载与增强策略数据加载我用的是 PyTorch 的 Dataset 和 DataLoader。每个样本包含三个部分人脸图像、性别标签、年龄标签。年龄标签在这里需要转换成分类标签如果年龄是 25.4 岁我会四舍五入到 25然后做成 one-hot 或者直接用整数标签作为分类目标。训练时的实时数据增强包括随机水平翻转概率 0.5。随机旋转范围 -10 到 10 度。随机亮度对比度调整范围 0.8 到 1.2。RandomResizedCrop范围 0.8 到 1.0在训练时增加人脸位置轻微偏移的鲁棒性。归一化ImageNet 标准的 mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]。测试和验证阶段不做随机增强只做中心裁剪和缩放。我踩过的坑是一开始把 RandomResizedCrop 的范围设得太大导致训练时经常看到半张脸性别分类和年龄分类都出现了不同程度的掉点后来把裁剪范围收紧到 0.8 以上效果明显回升。3. 模型搭建与训练3.1 基于 ResNet34 的双分支网络结构模型部分我构建了一个双分支输出的网络。主干是 ResNet34去掉最后的全连接层保留全局平均池化后的 512 维特征。然后在这个特征之上分出两个分支性别分支512 维特征 - Linear(512, 2)输出男/女 logits。年龄分支512 维特征 - Linear(512, 101)输出 0 到 100 岁每个类别的 logits。在 PyTorch 里这里的关键点是把预训练 ResNet34 的fc层替换成 Identity然后再接两个独立的分类头。一开始我犯过一个错误想当然地把fc层输出改成 1032101然后一个全连接一次输出结果性别和年龄的特征没有解耦两个任务互相干扰训练损失下降很慢。后来拆成两个分支各自独立更新收敛速度和最终准确率都明显更好——这也说明多任务学习并不是简单地把输出维度拼在一起合理的特征解耦非常重要。3.2 DEX 算法与年龄期望计算年龄预测的核心是 DEX 论文提出的思想年龄估计不要直接做回归而是先做成分类再通过 softmax 概率加权求和得到连续年龄值。具体来说模型对每张人脸输出 101 个类别的 logits经过 softmax 后得到一个概率分布 p_0, p_1, ..., p_100。期望年龄的计算方式是[ \hat{y} \sum_{i0}^{100} i \cdot p_i ]这样做的好处有两个避免了回归模型在年龄边界上的模糊问题。比如 29 岁和 30 岁实际的人脸差异可能微乎其微但回归模型会试图精确预测一个值误差被计算为均方误差训练时梯度对边界样本过于敏感。分类模型能够学到年龄的分布特征。对于同一张脸模型可能会输出“25 岁概率 0.4、26 岁概率 0.3、27 岁概率 0.2”这样的分布期望值落在一个合理范围内比暴力回归稳定得多。训练时年龄分支的损失函数使用交叉熵损失计算时与实际年龄对应的类别作为监督信号。这里还需要注意一个平衡问题IMDB-WIKI 数据集的年龄分布非常不均衡主要集中在 20 到 40 岁之间。训练时如果不做处理模型会对中年样本过拟合老年和儿童样本的预测效果会很差。我采用的策略是简单的年龄分组加权将 0~10 岁、11~20 岁、21~40 岁、41~60 岁、60 岁以上分成五组每组内的样本在采样时赋予不同的权重保证小年龄段和老年段不会在训练中被淹没。3.3 训练细节与超参数配置我用的 GPU 是一块 RTX 309024GB 显存。如果显存不够可以降低 batch size 或者换 ResNet18但综合效果来看ResNet34 在精度和速度之间是性价比较好的折中。具体的超参数配置如下输入尺寸224x224Batch size128在 3090 上可以跑到 192但要配合混合精度优化器AdamW初始学习率 0.001weight decay 0.0001学习率策略CosineAnnealingLR最大迭代次数 30 个 epoch损失函数性别分支用 CrossEntropyLoss年龄分支也是 CrossEntropyLoss两个损失按 1:1 相加混合精度启用 PyTorch 的 AMP自动混合精度训练速度提升明显显存占用降低约 40%训练开始之前加载在 ImageNet 上预训练好的 ResNet34 权重。这里有一个细节加载预训练权重后需要删除与fc层相关的权重因为我的模型结构已经改了。直接用load_state_dict(strictFalse)可以跳过不匹配的参数。训练过程中的关键监控指标性别分支的准确率年龄分支的 top-1 准确率即预测年龄类别是否和真实类别完全一致年龄绝对误差 MAEMean Absolute Error这个指标在实际应用中比准确率更有参考价值因为年龄预测允许有 1~2 岁的浮动在验证集上性别准确率最终达到 94% 左右年龄 MAE 在 4.5 岁到 5 岁之间。对于 IMDB-WIKI 这种带噪声标签的数据集来说这个结果算是比较正常的水平。如果换到更清晰的人脸数据集上微调MAE 通常可以降到 4 岁以内。3.4 训练过程中的梯度观察这里讲一个可能很多人忽略的实践细节多任务学习时两个分支的 loss 量级要大致接近。性别任务简单loss 一般在 0.2 左右年龄任务复杂loss 可能在 2.0 以上。如果不做任何处理直接相加年龄任务的梯度会主导整个模型的更新性别分支虽然也能收敛但会牺牲一部分性能。我尝试过两种解决办法在 loss 相加前给性别分支乘一个更大的权重比如总 loss age_loss 2 * gender_loss。用 GradNorm 或者不确定性加权的方式自动学习两个任务的权重。实际体验下来简单的手动加权已经够用复杂的加权方法在训练早期容易震荡反而不利于收敛。最终我采用的是固定权重gender_loss 乘 1.5age_loss 乘 1.0。这个比例是在小规模验证集上试出来的大家可以参考但不一定是最优解。4. 推理与应用落地4.1 模型输出的解析训练完成后在推理阶段输入一张人脸图片经过同样的预处理流程模型会输出两个结果性别两个 logits取 argmax。年龄101 个 logitssoftmax 后得到概率分布再计算期望年龄。为了验证模型的实际效果我在一些名人照片上做了测试表现比较符合直觉儿童照片预测年龄偏小年轻人照片预测集中在 20~30 岁区间老年人照片偶尔出现低估的情况。这个低估现象与数据集中老年样本占比少、标签噪声大有直接关系。推理实现时我保留了输出的概率分布而不是只保留期望值因为概率分布的方差可以反映模型对年龄预测的置信度。如果某个样本的年龄概率分布非常平缓说明模型不确定如果集中在某个年龄段附近说明模型相对确定。4.2 推理速度优化在推理速度上我用了几种优化手段将模型切换到 eval 模式并关闭梯度计算用torch.no_grad()包裹推理过程。使用 TensorRT 对模型做 FP16 转换在我的测试环境下单张 224x224 图片的推理时间从 12ms 降到了 5ms 左右。对多张图片的推理使用 DataLoader 批量处理而不是一张一张地传入模型。这些优化在本地实验时可能感知不强但如果要做成实时视频流分析或者部署到边缘设备上对推理延迟的优化就显得特别重要。4.3 展示统计结果项目最终实现了一个简单的可视化页面使用 Gradio 构建。用户上传一张人脸照片页面会返回预测性别、预测年龄和年龄概率分布的柱状图。柱状图的横轴为年龄 0 到 100纵轴为概率值这样用户可以直观看到模型对年龄的估计范围。Gradio 的搭建速度很快几乎不需要前端经验适合做模型效果展示和团队内部分享。如果是做产品化交付可以考虑换成 FastAPI 前端页面的形式但在项目验证阶段Gradio 完全够用。5. 项目核心代码实现5.1 数据清洗脚本数据清洗我用 Pandas 分块读取 CSV示例代码如下import pandas as pd import os def load_and_clean_data(csv_path, image_root): df pd.read_csv(csv_path, header0) # 统一字段名 df df.rename(columns{ age: age, gender: gender, path: path, face_score: face_score, second_face_score: second_face_score }) # 过滤无水脸分数或低分样本 df df.dropna(subset[face_score]) df df[df[face_score] 0.5] # 过滤多张人脸样本 df df[df[second_face_score].isna()] # 过滤年龄异常 df df[(df[age] 0) (df[age] 100)] # 过滤性别异常 df df[df[gender].isin([0, 1])] # 过滤文件不存在 df[full_path] df[path].apply(lambda p: os.path.join(image_root, p.strip())) df df[df[full_path].apply(os.path.exists)] return df[[full_path, age, gender]]这个脚本执行速度很快几十万样本也就一两分钟就处理完了。如果你还想要进一步提升数据质量可以在此基础上加一个人脸检测步骤把检测不到人脸或人脸过小的图片也过滤掉。5.2 Dataset 类定义自定义 Dataset 是 PyTorch 项目中非常重要的一步。我的 Dataset 实现里除了读取图片和标签还做了在线的人脸区域裁剪和增强避免提前把所有图片都处理成 224x224那样会占用太多磁盘空间。import torch from torch.utils.data import Dataset from PIL import Image import cv2 import numpy as np import torchvision.transforms as T class FaceAgeGenderDataset(Dataset): def __init__(self, df, face_detectorNone, trainTrue): self.df df.reset_index(dropTrue) self.face_detector face_detector self.train train self.train_transform T.Compose([ T.RandomResizedCrop(224, scale(0.8, 1.0)), T.RandomHorizontalFlip(0.5), T.ColorJitter(brightness0.2, contrast0.2), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) self.test_transform T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] img_path row[full_path] age int(round(row[age])) gender int(row[gender]) # 如果年龄超过100裁剪到100 age min(max(age, 0), 100) # 读取图片 img_bgr cv2.imread(img_path) if img_bgr is None: # 如果图片损坏随机返回一张其他图片 return self.__getitem__((idx 1) % len(self.df)) # 人脸检测和裁剪 if self.face_detector is not None: face_box self.face_detector.detect_face(img_bgr) if face_box is not None: x, y, w, h face_box margin int(0.2 * w) x max(0, x - margin) y max(0, y - margin) x2 min(img_bgr.shape[1], x w 2 * margin) y2 min(img_bgr.shape[0], y h 2 * margin) img_bgr img_bgr[y:y2, x:x2] # BGR转RGB img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) img_pil Image.fromarray(img_rgb) # 转换 if self.train: img_tensor self.train_transform(img_pil) else: img_tensor self.test_transform(img_pil) return img_tensor, age, gender这个 Dataset 类有几个值得注意的设计点损坏图片随机返回其他样本避免了训练中断人脸检测在线进行可以配合不同的检测器增强和数据读取分离便于调试。5.3 模型构建与训练脚本模型部分的核心代码如下import torch import torch.nn as nn import torchvision.models as models class AgeGenderModel(nn.Module): def __init__(self, num_age_classes101): super().__init__() # 加载预训练ResNet34 backbone models.resnet34(pretrainedTrue) # 去掉原始fc层 self.backbone nn.Sequential(*list(backbone.children())[:-1]) # 性别分支 self.gender_fc nn.Sequential( nn.Linear(512, 128), nn.BatchNorm1d(128), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(128, 2) ) # 年龄分支 self.age_fc nn.Sequential( nn.Linear(512, 256), nn.BatchNorm1d(256), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(256, num_age_classes) ) def forward(self, x): # 提取特征 x self.backbone(x) # shape: (batch, 512, 1, 1) x x.view(x.size(0), -1) # flatten # 双分支输出 gender_logits self.gender_fc(x) age_logits self.age_fc(x) return gender_logits, age_logits def predict_age(self, age_logits): 从年龄logits计算期望年龄 probs torch.softmax(age_logits, dim1) age_range torch.arange(0, 101, deviceage_logits.device, dtypetorch.float32) expected_age (probs * age_range).sum(dim1) return expected_age训练主循环的代码这里不完整贴出基本就是标准的 PyTorch 训练流程每个 batch 前向传播、计算两个 loss、反向传播、更新参数。唯一要注意的是不要忘记对年龄 logits 使用 softmax 计算期望年龄时这个操作不参与训练反向传播的梯度——因为在训练阶段用的是交叉熵损失推理阶段才需要 softmax 和加权求和。5.4 推理可视化代码最后是 Gradio 的可视化部分。为了让展示效果更好我让模型输出年龄概率分布并绘制成柱状图import gradio as gr import torch import numpy as np import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt def predict_age_gender(image): # 预处理... img_tensor preprocess(image) with torch.no_grad(): gender_logits, age_logits model(img_tensor.unsqueeze(0)) gender_pred torch.argmax(gender_logits, dim1).item() age_probs torch.softmax(age_logits, dim1).squeeze().cpu().numpy() expected_age (age_probs * np.arange(101)).sum() gender_label 男 if gender_pred 0 else 女 # 绘制年龄概率分布柱状图 fig, ax plt.subplots(figsize(8, 4)) ax.bar(np.arange(101), age_probs, colorsteelblue) ax.axvline(expected_age, colorred, linestyle--, labelf预测年龄: {expected_age:.1f}岁) ax.set_xlabel(年龄) ax.set_ylabel(概率) ax.legend() ax.set_title(f预测性别: {gender_label}) return gender_label, f{expected_age:.1f}岁, fig demo gr.Interface( fnpredict_age_gender, inputsgr.Image(typenumpy), outputs[text, text, plot], title年龄与性别预测系统, description上传一张人脸照片模型将预测性别与年龄 ) demo.launch()Gradio 的outputs[plot]是可以直接返回 matplotlib 图像的非常方便做效果展示。6. 常见问题与排查技巧实录6.1 数据加载慢怎么解决IMDB-WIKI 图片数量大、单张图片尺寸大数据加载很容易成为训练瓶颈。我的处理方式是把图片统一缩放为 256x256 的 JPEG 格式保存到新的目录减少 IO 压力。使用 DataLoader 的num_workers参数一般设置为 CPU 核心数的一半。我测试过从默认的 0 改成 8训练速度提升非常明显。如果显存和内存都够还可以把整个清洗后的数据集预先读取成内存张量但这种做法对内存要求太高42 万张图片大约需要 60GB 内存并不推荐。6.2 性别准确率高但年龄误差大这种情况很常见。性别分类本质上是一个简单的模式识别任务人脸结构差异明显很容易学。年龄预测则是平滑的回归/分类任务受标签噪声影响很大。我排查过可能的原因年龄标签噪声分布不均匀。某些年龄段比如 20~30 岁标签噪声小但样本量太大导致模型偏向这些年龄段。年龄分布不均衡导致模型对出现在训练集中频率较低的年龄段预测偏差大。数据清洗时face_score阈值设置不合理有些低质量样本混杂在其中。我的应对措施是调整采样权重并加大随机旋转和随机裁剪的强度降低模型对特定人脸角度的过拟合。另外还有一个技巧训练后期对年龄分支做标签平滑可以让模型对噪声标签更鲁棒。6.3 模型收敛后预测年龄总是偏向平均值如果你发现预测结果总是落在 20~40 岁之间基本可以确定是数据不平衡导致的。IMDB-WIKI 数据集中这个年龄段的人脸照片最多、有效样本比例也最高模型学到的最优策略就是“不管输入什么输出都靠近这个区间”。解决思路有几个加权采样让每个年龄段出现的频率接近。用 Focal Loss 替代普通的交叉熵让模型更关注难以分类的年龄段。训练结束后在更干净的验证集上做一次轻量级的校准calibration把模型的年龄输出映射到真实年龄分布。我第一次跑完整流程时测试集上 MAE 是 6.2 岁均衡采样之后降到了 4.8 岁效果非常显著。6.4 深度学习环境安装的坑Pytorch 安装主要涉及 CUDA 版本匹配问题。我的建议是直接用 PyTorch 官方提供的安装命令选择与本地 CUDA driver 兼容的版本。用 conda 管理环境会更简单不同项目的依赖可以隔离。此外torchvision的版本必须与torch版本匹配不然加载预训练模型时可能报错。最简单的办法是用同一行命令同时安装比如pip install torch1.13.1cu116 torchvision0.14.1cu116 --extra-index-url https://download.pytorch.org/whl/cu116如果本地不是这个 CUDA 版本去官网查对应版本即可。CPU 机器上也可以跑这个项目只是训练时间会长很多我建议至少用一个有 6GB 以上显存的显卡。7. 实操总结与个人体会做完这个项目我最大的体会是年龄与性别预测真正难的不是模型结构而是对数据的理解和处理。IMDB-WIKI 数据集虽然大但标签质量问题让模型的上限受到了限制。如果想进一步提升效果有两条路可以走一是利用更大规模、更干净的人脸年龄数据集如 WebFace 系列配合年龄标注做预训练再在 IMDB-WIKI 上微调二是引入人脸关键点信息或者 3D 人脸重建技术从几何特征上辅助年龄估计。前者工程上更容易实现后者研究价值更高。另外多任务学习不一定是“共享特征就一定更好”如果不做合理的任务解耦和权重平衡反而会互相拖累。我在这个项目里踩过的坑基本都是围绕这一点展开的。如果你也想复现这个项目建议先在小规模数据上把训练流程跑通再逐步增加数据量和模型复杂度这样调试效率会高很多。做应用落地时一定要根据实际场景调整模型阈值和数据口径。比如线上用户上传的照片质量参差不齐需要在图像质量过滤上多花心思如果只做年龄粗粒度分段少年、青年、中年、老年完全可以把 101 类合并成 4 类模型的准确率会提升不少。总之算法模型只是一个环节完整的工程链路和场景适配能力才是决定项目能否真正发挥作用的关键。