Determines whether validation …

# 验证准确率饱和判断与后续建议

一、当前状态的判断

基本可以判定：验证集性能已进入平台期

• 波动幅度分析：15轮内波动仅±0.3%（即93.9%~94.5%），这种微小波动通常来自dropout的随机性、数据增强的随机性以及学习率震荡，而非模型仍在学习有效特征。
• 经验参考：准确率连续10轮以上无趋势性提升（不是震荡式上升），即可认为收敛。你已连续15轮，明显超过该阈值。
• 可能的饱和原因：
• 模型容量对当前数据分布已达上限
• 学习率过大，在最优点附近震荡无法精细收敛
• 剩余5.8%的错误可能是困难样本（如光照不均、相邻类缺陷外观相似）

二、继续原样训练：意义不大

• 同样的超参数和数据，再训练几十轮大概率仍在94%±0.3%震荡，还可能因过拟合导致验证集缓慢下降。

三、值得尝试的突破方向

1. 学习率调度

• 使用余弦退火或ReduceLROnPlateau，将学习率降至当前的1/10量级，进行精细收敛阶段（fine-tuning末端）

2. 区分性微调

• 解冻MobileNetV3的后几层block，以小学习率（如全连接层的1/10）微调特征提取器

3. 诊断错误样本（最推荐）

• 导出混淆矩阵，看错误集中在哪些类别对
• 可视化被误分类的图片，判断是标注错误、类间相似还是数据不足

4. 针对性数据增强

• 钢材缺陷对旋转、翻转敏感度需实验验证；可尝试对比度扰动、随机擦除模拟噪声和氧化区域

5. 模型集成/换骨干

• 尝试EfficientNet-B0/B1或ConvNeXt-Tiny对比；或多个不同种子的模型做软投票集成

6. 测试时增强（TTA）

• 推理时对原图+水平翻转取平均预测，通常可小幅提升，成本极低

四、结论

原样继续训练无意义，应停止。 先做混淆矩阵诊断定位错误来源，再选学习率衰减+末端微调作为第一步尝试；若目标是刷榜/竞赛，TTA和模型集成是性价比最高的最后手段。