第 3 课 用深度学习实现图像分类 教学设计 2024—2025 学年湘教版（2024）八年级信息科技下册

第 3 课 用深度学习实现图像分类 活动概述 本次活动围绕用深度学习实现图像分类展开，学生将学习制作图像数据集的方法、图像分类模型的训练流程以及模型的应用方式。通过实际操作和案例分析，学生能够掌握深度学习在图像分类领域的应用技能，提升实践动手能力和解决实际问题的能力，增强对人工智能技术应用的理解。 教材分析 教材从深度学习解决问题的一般流程切入，强调合适数据集对图像分类模型训练的关键作用，介绍了图像分类数据集的规范和制作方法。详细阐述了图像分类 SOTA 模型的选择和训练过程，以及模型应用涉及的模型类型、推理工具、模型转换和应用开发等内容，逻辑清晰，逐步引导学生掌握用深度学习实现图像分类的全流程知识。 核心素养目标 信息意识 认识深度学习在图像分类中的重要价值，理解图像分类模型训练和应用中各环节的意义； 能根据不同场景需求，辨别合适的图像分类模型和应用方式，提升对图像分类领域信息的敏感度和判断力； 关注深度学习在图像分类领域的前沿动态，增强对信息技术发展的关注度。 计算思维 通过学习图像分类模型的训练和应用过程，培养逻辑思维和问题解决能力； 理解图像分类模型训练中的数据处理、模型选择和参数调整等环节的设计思路，提升抽象思维和系统思维能力，学会运用计算思维优化图像分类任务。 数字化学习与创新 借助教材资源和网络平台，自主学习图像分类相关知识，积累数字化学习和处理图像数据的方法； 在实践操作中，培养创新思维和实践能力，尝试运用所学知识优化图像分类模型或开发新的应用场景。 信息社会责任 了解深度学习图像分类技术在社会各领域的应用，认识到合理使用该技术的重要性，增强信息社会责任感； 尊重技术创新背后的知识产权，树立正确的技术应用价值观。 教学重、难点 教学重点 图像分类数据集的制作方法； 常见图像分类 SOTA 模型的特点和训练过程； 深度学习模型的应用，包括模型转换和推理工具的使用。 教学难点 理解不同 SOTA 模型的适用场景并合理选择； 掌握图像分类模型训练中的超参数调整和模型优化； 将深度学习模型与实际应用场景相结合，实现图像分类的具体应用开发。 教学方法 讲授法、讨论法、实践法相结合 教学用具 多媒体课件、Python 编程环境、相关数据集制作和模型训练工具（如 BaseDT、MMEdu 等） 课时安排 一课时 教学过程（第一课时） 教学环节 教学活动 二次备课 课程导入 师：展示一些图像分类在生活中的应用场景，如智能安防监控、植物物种识别等。提问学生：“这些图像分类功能是如何实现的呢？” 引导学生思考，引出本节课要用深度学习实现图像分类的主题。 若学生对导入问题理解困难，可进一步举例说明，如手机相册自动分类照片，让学生更直观感受图像分类的应用。 知识讲授 准备图像数据集 师：讲解合适的数据集对图像分类模型训练的重要性，强调数据丰富性和多样性的意义。介绍图像分类数据集的规范，重点讲解 ImageNet 格式数据集的结构，包括文件夹和文本文件的作用（展示 ImageNet 格式数据集文件夹目录图）。 师：演示使用 BaseDT 库制作 ImageNet 格式图像分类数据集的步骤，从数据初步整理、填写类别信息到格式转换代码的运行（展示代码及运行过程）。 图像分类模型的训练 师：介绍 MMEdu 中图像分类 SOTA 模型，如 LeNet、MobileNet、ResNet 等，对比它们的特点和适用场景（结合实际案例说明，如 LeNet 适用于简单灰度图像分类，MobileNet 适合移动终端部署等）。 师：讲解使用 MMEdu 训练图像分类模型的核心步骤和代码，包括模型实例化、配置类别数量、加载数据集、设置保存路径和开始训练（展示训练代码并逐行解释），强调训练过程中的验证和超参数调整的重要性（简单解释超参数概念，如训练轮数、学习率等）。 图像分类模型的应用 师：介绍深度学习模型的类型和常见推理工具，重点讲解 ONNX Runtime 的作用和优势，以及模型转换的意义（以 PyTorch 模型转换为 ONNX 格式为例说明）。 师：展示 MMEdu 内置的模型转换函数和使用 XEduHub 实现 ONNX 模型推理的示例代码，介绍 Gradio 库在搭建人工智能应用界面中的作用（展示相关代码及运行效果），并讲解如何结合硬件实现更丰富的应用（如借助 pinpong 库驱动硬件）。 在讲解数据集制作时，可让学生提前准备一些简单图像数据，现场参与整理和制作过程；讲解模型训练时，可对比不同模型训练效果的差异，让学生更直观感受模型选择的重要性；讲解模型应用时，展示更多实际应用案例的视频或图片，增强学生的感性认识 实践操作 生：以小组为单位，使用 MMEdu 训练一个图像分类模型，并尝试将训练好的模型进行转换和推理应用。可以选择昆虫数据集或学生自己收集的图像数据集。 师：巡视各小组，观察学生的操作过程，及时给予指导和帮助，解答学生遇到的问题。鼓励小组内成员分工合作，共同完成任务。 提前检查学生电脑环境是否配置好相关工具；巡视过程中，针对学生普遍存在的问题，可集中进行讲解；对进度较快的小组，提供拓展任务，如尝试不同的超参数设置，观察对模型效果的影响 课堂练习 1. 以下哪种格式是常用的图像分类数据集格式？（ ） A. CSV B. ImageNet C. TXT D. XML 2. 在 MMEdu 中，适合在移动终端部署的图像分类 SOTA 模型是（ ） A. LeNet B. MobileNet C. ResNet D. 以上都不是 3. 关于图像分类模型的训练，下列说法错误的是（ ） A. 数据集质量会影响模型性能 B. 训练轮数越多，模型准确率一定越高 C. 要根据数据集类别数量配置模型 D. 可以使用迁移学习加速模型训练 4. 深度学习模型转换的目的不包括（ ） A. 提高模型推理速度 B. 便于模型在不同框架间共享和部署 C. 改变模型的功能 D. 利用特定硬件资源优化模型性能 练习前，对重点知识进行简单回顾；练习过程中，关注学生答题情况，对基础薄弱的学生给予更多指导；练习后，针对错误较多的题目进行详细讲解，强化知识点。 课堂小结 引导学生回顾本节课的重点内容，包括图像分类数据集的制作、模型训练和应用的关键步骤和要点。鼓励学生分享在实践操作中的收获和遇到的问题，以及解决问题的思路和方法。对学生的分享进行点评和总结，强调深度学习在图像分类领域的广泛应用和重要价值，鼓励学生课后继续探索相关技术。 若时间允许，可让学生互相评价实践成果，促进学生之间的学习交流 板书设计 第 3 课 用深度学习实现图像分类 一、准备图像数据集 1. 数据集规范（ImageNet 格式） 2. 制作方法（BaseDT 库） 二、图像分类模型的训练 1. SOTA 模型（LeNet、MobileNet、ResNet 等） 2. 训练步骤（MMEdu 代码） 三、图像分类模型的应用 1. 模型类型与推理工具（ONNX Runtime 等） 2. 模型转换与应用开发（MMEdu、Gradio 等） 教学反思 本节课通过多种教学方法，学生对用深度学习实现图像分类有了一定的实践体验和知识掌握。但部分学生在理解超参数调整对模型的影响以及将模型与实际应用结合方面存在困难。实践操作中，部分学生对工具的使用不够熟练，小组协作效率有待提高。后续教学中，应增加超参数调整的实践案例，加强对工具使用的指导，优化小组协作任务设计，提升学生的学习效果。 学科网（北京）股份有限公司 $$