从房贷压力到CV实战：我在北京用算法给猫主子“上户口”

上周五晚上十点半，我一边啃着冷掉的黄焖鸡，一边盯着屏幕上又一个跑崩的训练任务。房东刚在微信里催了下季度房租，而我的银行卡余额连猫粮都快买不起了——但还是咬牙续了云服务器，因为这个计算机视觉项目，真可能成为我跳槽的敲门砖。

作为一名刚在北京背上30年房贷的北漂程序员，白天在一家中型电商公司维护祖传代码，晚上刷LeetCode、看论文、调模型，几乎成了我的生活常态。最近团队接了个“宠物识别”需求，说是为即将上线的宠物社区App打基础。产品经理画了个大饼：“用户上传猫狗照片，系统自动识别品种、年龄，甚至情绪！” 我当时就想问：您是不是觉得ResNet是万能胶水？

但转念一想，这不正是个绝佳的实战机会？既能摸鱼学CV，又能攒项目经验写进简历。于是，我主动揽下了这个活儿——现在回想起来，真是年轻气盛。

数据比算法更难搞

很多人以为CV项目最难的是调参和选模型，其实不然。真正的地狱，在数据准备阶段。

公司压根没现成的宠物数据集。内部历史图片全是商品图，连只活猫都没有。无奈之下，我只能自己动手，丰衣足食。

我先是爬了Kaggle上的Oxford-IIIT Pet Dataset，又从GitHub上搜罗了几个开源项目的数据增强脚本。比如这个叫 pet-augment-toolkit 的仓库（虽然star只有27个，但作者注释写得挺细），帮我自动做了旋转、裁剪、亮度调整。

但问题来了：真实用户上传的照片千奇百怪——有逆光的、模糊的、猫脸只占画面5%的，甚至还有P成奥特曼的。而公开数据集里的猫，个个都是精修写真。

怎么办？我灵机一动，把公司测试同事家的猫“征用”了。连续三天蹲点拍照，还自掏腰包买了逗猫棒和零食贿赂。最终凑了200多张“野生”猫图，混入训练集。别笑，这招叫域适应（Domain Adaptation），听起来高大上，其实就是穷人的数据增强。

算法选型：别被SOTA迷惑双眼

一开始我热血上头，直接上了EfficientNet-B7，心想：反正GPU烧的是公司钱。结果训练一轮下来，准确率才78%，推理时间还贼慢，手机端根本跑不动。

后来冷静下来一想：我们的目标不是刷榜，而是在有限资源下达到可用效果。于是重新评估了几种轻量级模型：

模型	参数量 (M)	Top-1 Acc (%)	推理延迟 (ms, on iPhone 12)	是否支持ONNX导出
MobileNetV2	3.4	72.1	45	✅
EfficientNet-Lite0	4.7	76.8	68	✅
ResNet-18	11.7	70.3	92	✅
ConvNeXt-Tiny	28.0	79.5	110	❌

虽然ConvNeXt准确率最高，但它导出ONNX会报错（试了三天都没搞定，差点砸键盘），而且延迟太高。最终我选了EfficientNet-Lite0——它专为移动端优化，Google官方维护，支持TensorFlow Lite无缝部署。

关键代码片段如下（已简化）：

import tensorflow as tf
from tensorflow.keras.applications import EfficientNetLite0

# 加载预训练权重（ImageNet）
base_model = EfficientNetLite0(
    weights='imagenet',
    include_top=False,
    input_shape=(224, 224, 3)
)

# 冻结前几层，只微调顶层
base_model.trainable = False

model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])

model.compile(
    optimizer=tf.keras.optimizers.Adam(1e-4),
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

这里有个坑：千万别一上来就全解冻训练！我第一次这么干，loss直接飞到3.0，模型彻底学废。后来采用“先冻结特征提取层，训练分类头；再解冻部分层微调”的两阶段策略，准确率稳稳提升到83%。

部署上线：运维同学差点把我拉黑

模型训好了，下一步就是上线。按照公司流程，得打包成Docker镜像，走CI/CD流水线。

但问题来了：我们后端用的是Go，而模型是TensorFlow。中间需要写个gRPC服务做桥接。我吭哧吭哧写了两天，结果测试环境一跑，内存泄漏！每请求一次，内存涨50MB。

查了半天，发现是TensorFlow的Session没正确复用。后来改成全局单例加载模型，问题解决。不过运维大哥在群里@我：“你这服务启动要30秒，内存吃2G，确定不是挖矿程序？”

为了减小体积，我又把模型转成TensorFlow Lite格式，体积从80MB压缩到22MB，加载时间也从12秒降到3秒。顺手把转换脚本传到了自己的GitHub仓库：cat-breed-tflite-exporter（名字随便起的，别当真）。

效果与反思：技术之外的东西更重要

上线两周后，后台数据显示：识别准确率81.2%，用户平均等待时间1.8秒。虽然离产品经理吹的“99%准确”差得远，但老板居然挺满意——因为留存率涨了5%。

这次项目让我深刻体会到：在工业界，算法只是拼图的一小块。数据质量、工程落地、用户体验，往往比模型本身更重要。

另外，GitHub真的是宝藏。从数据增强工具，到模型转换脚本，再到别人踩过的坑issue，省了我至少两周时间。强烈建议大家：不要重复造轮子，但一定要读懂轮子怎么转。

现在，这个项目已经作为我简历里的“高亮项目”了。上周面试一家AI startup时，面试官看到GitHub链接，当场让我现场讲Loss曲线为什么在epoch 15那里震荡——还好我截图存了tensorboard记录，不然真答不上来。

房贷还在还，跳槽还在准备，但至少今晚，我可以安心给猫主子开罐头了。毕竟，它可是我数据集里的“首席模特”。

---

后记：如果你也在边工作边搞副业/学习，别焦虑。每个深夜debug的程序员，都在为更好的明天编译人生。共勉！

（项目核心代码已开源，欢迎Star/Fork/提Issue，地址：https://github.com/yourname/pet-vision-demo —— 当然，这只是示例链接，真实项目涉及公司数据，没法全放 😅）