Kaggle食品分类实战:半监督学习+迁移学习提升准确率(附完整代码)

数据层：利用弱标注数据增强策略

  当面对有限标注数据的食品分类任务时，传统监督学习方法往往捉襟见肘。食品图像分类面临的核心挑战在于高质量标注数据的稀缺性。专业标注团队对11类食品（如寿司、汉堡、沙拉等）进行精确分类的成本极高，而众包标注又难以保证一致性。

  实际项目中，我们使用Food-11数据集（包含16643张图片）时，仅有10%的数据带有可靠标注。这种情况下，传统监督学习的准确率仅能达到约15%，而我们的混合方法最终将验证准确率提升至68.7%。

关键发现：当标注数据占比低于15%时，半监督学习的边际效益最显著

  伪标签质量直接决定半监督学习的效果。

  对比实验显示，动态阈值比固定0.95阈值多利用了23%的无标签数据。

  运行替换分类头：保留预训练特征提取器，新建适配11类的全连接层。