需修改预训练resnet输出层并微调：一、替换fc层为新类别数；二、冻结主干网络参数仅训练fc层；三、用数据增强提升小样本泛化；四、分阶段解冻深层微调；五、统一推理预处理流程。
如果您已有预训练的ResNet模型，但需要它识别您自定义的新物体类别，则可能是由于原始模型输出层与您的任务类别数不匹配，且特征提取器未针对新数据微调。以下是解决此问题的步骤：
一、替换全连接层适配新类别数
ResNet预训练模型最后一层（fc层）默认输出1000类（ImageNet类别），必须修改为您的目标类别数量，使模型具备对应分类能力。该操作保留全部卷积层参数，仅重置判别头。
1、导入torchvision.models并加载带权重的ResNet18模型。
2、读取原fc层的输入特征维度（如512）。
3、用nn.Linear重新定义fc层，输出维度设为您的类别总数。
4、确认model.fc结构已变更，例如输出为Linear(in_features=512, out_features=7)表示7分类任务。
二、冻结主干网络参数进行特征复用
冻结卷积层参数可防止预训练特征被小规模新数据破坏，同时大幅减少计算量和过拟合风险，适用于标注样本少于500张的场景。
1、遍历model.parameters()，对每一param调用param.requires_grad = False。
2、单独放开最后全连接层的requires_grad属性，确保其参数可更新。
3、验证冻结效果：打印model.layer4[0].conv1.weight.requires_grad，应返回False。
三、使用数据增强提升小样本泛化能力
当新物体图像数量有限时，随机变换可模拟多样视角与光照条件，增强模型对形变、遮挡和背景干扰的鲁棒性。
1、为训练集定义transforms.Compose，包含RandomResizedCrop(224)和RandomHorizontalFlip()。
2、为验证集仅保留Resize(256)与CenterCrop(224)，避免引入测试偏差。
3、在ToTensor()后添加Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])，保持与预训练一致的归一化标准。
四、分阶段解冻微调提升精度
在冻结训练收敛后，逐步解冻深层卷积块可进一步适配新物体纹理与部件特征，尤其适用于类别间细粒度差异明显的情况。
1、先训练仅fc层的模型至验证损失平稳。
2、将layer4所有参数的requires_grad设为True。
3、将学习率降低至原值的1/10，防止剧烈更新破坏已有特征。
4、继续训练5–10个epoch，监控val_acc是否提升。
五、使用预处理管道统一输入格式
模型推理时若输入尺寸或通道顺序不符，会导致特征图错位甚至崩溃。必须严格复现训练时的预处理逻辑，确保部署一致性。
1、加载图像后调用transforms.Resize(256)确保短边缩放至256像素。
2、执行transforms.CenterCrop(224)裁剪中心224×224区域。
3、转换为Tensor并除以255，再按ImageNet均值方差做标准化。
4、增加batch维度：input_tensor = input_tensor.unsqueeze(0)。
