企业官网建设流程全解析

1. 项目破题与整体定位

先说结论：这个题目本质上是一个“技术栈非常完整”的计算机视觉毕设，表面上是"结直肠息肉内镜图像分类算法研究（YOLOv10）"，但实际上，它同时考察了四件事——深度学习模型的选型与训练、医学图像的预处理与增强、图形界面开发（PyQt5）、以及最后答辩环节的表达能力。如果你正在考虑选这个题，或者已经选了这个题正在发愁怎么开展，这篇文章就是给你用来"抄作业"的。

为什么我说这个题目是"毕设里的热门款"？因为它踩中了好几个关键点：技术方向是当前最火的目标检测与图像分类、应用场景是医疗辅助诊断、自带"社会价值"和"创新性"的加分项，而且实现路径非常清晰——模型训练好了，套一个界面，把检测结果可视化出来，就是一个完整可演示、可答辩、可写论文的项目。说实话，我在带学生做毕设的时候，见过太多"项目做得出来但讲不清楚"的例子，也见过"项目很水但包装到位"的例子——这个题目恰恰是那种"底子够硬、又能讲得出彩"的类型。

在正式动手之前，有一件事必须想清楚：这个项目到底是要做"分类"还是做"检测"？很多同学看到标题就懵了——"分类？YOLOv10不是做检测的吗？"这里我建议你按照"检测为主、分类为辅"的思路来理解：YOLOv10负责在完整的内镜图像中定位息肉的位置（生成边界框），同时在框定的区域内完成息肉类别的识别（比如正常黏膜、腺瘤性息肉、增生性息肉等）。从毕设答辩的角度讲，这个"检测+分类"两步走的思路，比单一的图像分类要更有展示空间——既有可视化的边界框效果，又有分类准确率的量化指标，论文里的实验部分也更好写。

这个题目适合谁？三类人：第一，有一定Python基础、想通过一个完整项目把深度学习全流程走一遍的本科生；第二，研究生阶段做医学图像处理方向，需要一个基线系统做对比实验的；第三，想找工作转AI方向，需要一个拿得出手的"作品集"项目的。换句话说，这个项目不是一个"写完就扔"的作业，它可以变成你的论文核心、面试作品、甚至是后续科研的起点，投入产出比很高。

2. 核心技术栈与方案选型解析

2.1 为什么是YOLOv10而不是其他模型

这是答辩时几乎必问的问题："你为什么要用YOLOv10？"如果你答不出个所以然，答辩分数直接打折扣。我建议你把选型逻辑捋成一个"对比链路"来说，这样既清楚又有说服力。

先看两类候选方案。一类是传统两阶段检测器，比如Faster R-CNN系列，它的精度确实不错，但推理速度慢，在医学实时辅助诊断场景下体验不好；另一类是单阶段检测器，YOLO系列、SSD等，其中YOLO系列经过多个版本迭代，速度和精度的平衡已经做得非常成熟。具体到YOLOv8和YOLOv10的比较——YOLOv10最大的变化是去掉了NMS（非极大值抑制）后处理步骤，提出了"无NMS"的端到端训练范式。这个点特别值得在答辩时说：传统检测器在推理时需要通过NMS来去除重复的检测框，而YOLOv10通过双标签分配策略和一致性匹配度量，在训练阶段就把"哪个anchor负责哪个目标"这件事学明白了，推理时直接输出最终结果。说白了，就是把原来"事后去重"的工作提前放到了训练过程里，推理链路更短、速度更快。

还有一个容易被忽略的点——部署友好性。PyQt5做界面，推理在本地跑，意味着模型必须轻量、推理必须高效。YOLOv10提供了从n、s、m到b、l、x多个尺寸的版本，其中YOLOv10n的参数量只有约270万（2.7M），在CPU上也能勉强跑起来，用GPU更是毫无压力。这对毕设来说特别重要：你不需要一台顶配工作站，一张中等偏上的消费级显卡就能完成全部训练和部署。

2.2 从"分类"到"检测+分类"的任务演进

很多同学会把注意力全部放在模型参数上，却忽略了任务定义本身。这个项目里有一个关键的设计抉择：是直接用YOLOv10输出的边界框作为"定位结果+分类结果"，还是在检测框的基础上再做一步精细分类？

我的建议是：用YOLOv10的检测头直接完成"定位+粗分类"，然后用一个轻量级的分类网络对检测框内图像做二次精细分类。为什么这么设计？因为医学图像的类别差异往往非常细微——正常黏膜和早期息肉在颜色、纹理上只有很弱的区别，仅靠检测头附带的分类分支可能不够。而且从毕设论文的角度看，"检测定位"和"精细分类"是两个可以分别设计实验、分别评估的子任务，这让你的实验章节有更多内容可以写。

当然，这不是唯一正确的做法。如果你的数据量很有限，或者你想控制项目复杂度，那么"只用YOLOv10检测头做端到端的检测+分类"也完全可行。这里给出一个决策标准：如果你的数据集里每类样本超过2000张，我建议做二级分类的完整方案；如果每类只有几百张，就老老实实让YOLOv10一个模型扛到底，否则二级网络会因数据不足而过拟合。

3. 数据集构建与实际处理细节

3.1 数据从哪来：公开数据集与合规性

医学图像项目第一个拦路虎就是数据。这里必须强调：绝对不要随便从网上爬取患者的内镜图片来用，这既涉及患者隐私，也不符合科研伦理。正规的做法是用公开的科研数据集——目前国际上已经有一些结直肠息肉相关的公开数据集，比如常见的息肉分割挑战赛数据集、各类医学影像公开数据集等，里面包含了内镜图像、息肉掩码标注和类别标签。你在论文里写明数据集的名称、来源、样本量、标注规则，这个部分答辩老师一查就能确认，合规性上没有任何问题。

我个人的建议是组合使用2到3个公开数据源，混合之后做一个类别均衡处理。比如某个数据集擅长"息肉/非息肉"二分类，另一个数据集提供了详细的病理类别标注，两者结合后可以构建出"类别丰富的训练集"。做这件事的周期通常在3到5天，包括下载、清洗、格式转换、统计分布四个环节，这部分工作量也可以写进论文的"数据预处理"章节。

3.2 标签格式转换：从"多边形"到"YOLO格式"

这里有一个毕设新手特别容易翻车的点——你拿到的标注文件往往不是YOLO需要的格式。息肉分割数据集大多使用COCO格式或多边形坐标格式（每张图对应一个JSON文件，里面用一系列顶点坐标来勾勒息肉的轮廓），而YOLOv10训练要求的是归一化的中心坐标+宽高格式（每行一个目标，内容为：类别id x_center y_center width height）。

数据转换这块，理论很简单，实操有陷阱。我带你走一遍完整流程：

import json import os from PIL import Image def convert_polygon_to_yolo(json_path, image_dir, output_dir, class_map): with open(json_path, 'r') as f: data = json.load(f) # 根据数据集标注结构提取图片名和标注 for ann in data['annotations']: image_id = ann['image_id'] image_info = data['images'][image_id] img = Image.open(os.path.join(image_dir, image_info['file_name'])) width, height = img.size # 多边形顶点 polygon = ann['segmentation'][0] # 计算最小外接矩形的中心点和宽高 xs = polygon[0::2] ys = polygon[1::2] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) box_w = x_max - x_min box_h = y_max - y_min x_center = x_min + box_w / 2 y_center = y_min + box_h / 2 # 归一化到[0,1] x_center_norm = x_center / width y_center_norm = y_center / height w_norm = box_w / width h_norm = box_h / height # 写入.txt文件（与图片同名） txt_path = os.path.join(output_dir, image_info['file_name'].split('.')[0] + '.txt') with open(txt_path, 'a') as f_write: class_id = class_map['polyp'] # 根据你的类别映射调整 f_write.write(f"{class_id} {x_center_norm:.6f} {y_center_norm:.6f} {w_norm:.6f} {h_norm:.6f}\n")

这个脚本里有一个我在实操中踩过的坑：直接用多边形所有顶点的x、y坐标求min和max来得到边界框，这对"凸形状"的息肉是够用的，但有些息肉的轮廓可能是不规则的凹多边形，最小外接矩形会包含过多背景区域。为了解决这个问题，我在转换后加了一个数据清洗步骤——把所有生成的边界框可视化出来，人工抽样检查，发现边界框明显偏移或覆盖面积异常的，直接用标注工具修正。不要小看这一步，模型最终能不能收敛好，很大程度上取决于边界框的标注质量。

3.3 数据增强策略：医学图像的特殊考量

医学图像的数据增强，策略和自然图像不太一样。自然图像里常用的随机旋转90度、水平翻转、色彩抖动，在医学图像里要谨慎使用。原因很简单：内镜图像有明确的"上下"语义（肠道的解剖朝向），翻转和旋转可能改变医生的观察习惯，也可能让某个类别对应的解剖特征失真。

我推荐一套增强组合，实测下来比较稳：

• 轻度随机仿射变换（旋转角度限制在±15度以内、缩放比例0.9到1.1）；
• HSV色调微调（色调偏移±5，饱和度±20，明度±20），用于模拟不同内镜设备的光照差异；
• 随机亮度对比度调整（亮度±10%），模拟镜头远近变化带来的照明变化；
• Mosaic增强（YOLOv10自带的马赛克拼接）和MixUp增强，这两个能显著提升模型对尺度和背景变化的鲁棒性，但建议在训练前10个epoch就关掉，让模型在最后阶段适应正常分布的数据。

从实操数据来看，不做增强时模型mAP50大约在0.78左右，做了上述增强后在0.86到0.89之间，提升非常明显。这个对比数据放在论文里既真实又有说服力。

4. YOLOv10模型训练全流程实操

4.1 环境配置与依赖安装

这个项目建议用Python 3.9或3.10版本，PyTorch版本建议1.12以上或2.x皆可。GPU方面，显存4GB以上就能训YOLOv10s，8GB以上跑YOLOv10m很舒服，如果你的显卡是12GB的，直接上YOLOv10m配合大batch size完全没问题。下面是环境安装的完整命令：

# 创建虚拟环境 conda create -n polyp_detect python=3.10 conda activate polyp_detect # 安装PyTorch（根据你的CUDA版本选对应命令） pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 克隆YOLOv10官方代码仓库并安装依赖 git clone https://github.com/THU-MIG/yolov10.git cd yolov10 pip install -r requirements.txt pip install -e .

装完以后先做一个"冒烟测试"——下载一个预训练权重，用官方demo图片跑一次推理，确认整个环境能够走通。这个步骤千万不要跳，我见过太多人环境没配好就急着训练，最后一堆莫名其妙的报错，浪费大量时间。

4.2 数据集目录组织与配置文件修改

YOLO系列对数据集目录结构有严格要求，推荐按下面的结构组织：

dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 └── labels/ ├── train/ # 训练标注 └── val/ # 验证标注

划分比例上，我建议按8:1:1来分训练集、验证集和测试集。这里多说一句：测试集一定要单独留出来，并且在整个训练过程中都不要碰它，只在最终评估时用一次。很多同学把测试集和验证集混用，最后论文里的指标水得不真实，答辩老师一问"你的泛化性能怎么证明"就答不上来了。

然后你需要修改YOLOv10的配置文件，在yolov10/configs目录下新建一个自己的数据配置：

# polyp_dataset.yaml path: /path/to/dataset # 数据集根目录 train: images/train val: images/val test: images/test # 类别数：这里是息肉+正常黏膜（二分类场景）， # 如果你做多分类，按实际类别数调整 nc: 2 names: ['normal', 'polyp']

4.3 训练超参数设置与完整训练流程

训练命令本身不复杂，复杂的是选对超参数。我直接给出一套经实测的稳定配置：

yolo detect train \ data=polyp_dataset.yaml \ model=yolov10s.yaml \ pretrained=yolov10s.pt \ epochs=200 \ batch=16 \ imgsz=640 \ lr0=0.01 \ lrf=0.001 \ momentum=0.937 \ weight_decay=0.0005 \ warmup_epochs=5.0 \ warmup_momentum=0.8 \ box=7.5 \ cls=0.5 \ dfl=1.5 \ hsv_h=0.015 \ hsv_s=0.7 \ hsv_v=0.4 \ degrees=15.0 \ translate=0.1 \ scale=0.5 \ flipud=0.0 \ fliplr=0.5

关于超参数，我挑几个重点讲讲为什么这么设置：

• imgsz=640是精度和速度的平衡点。改成640以上的比如1280，精度能涨一点但训练时间翻倍，对大多数毕设场景不划算。
• batch=16取决于显存大小，如果你的显卡只有8GB，可以降为8或4，同时可以配合梯度累积来模拟更大的batch size。
• warmup_epochs=5是让模型在初期用较小的学习率"热身"，避免刚开始就出现梯度爆炸。医学图像数据集通常数据量不算大，学习率太大容易震荡。
• degrees=15是我在前面提到的轻度旋转限制，角度太大容易破坏解剖结构语义。

4.4 训练过程中的监控与调参技巧

训练过程中不要只盯着最终的loss曲线，还要定期验证集上跑一次测试。YOLOv10训练时本身会周期性输出验证集指标（mAP、Precision、Recall），你要关注的是mAP50和mAP50-95两个指标的组合。mAP50指的是IOU阈值0.5下的平均精度，mAP50-95则是在0.5到0.95之间多个IOU阈值下精度的平均值——同一个模型mAP50可能都在90以上，但mAP50-95越高说明边界框定得越准，这对息肉检测这种对边框精度有要求的场景至关重要。

如果你发现训练过程中出现过拟合的迹象（训练集loss持续下降但验证集loss不再下降甚至回升），优先做三件事：增加数据增强强度、加大weight_decay、或者提前停止训练（early stopping）。不要一上来就换小模型，先把正则化手段用足。

此外，一个抗过拟合利器是预热后冻结骨干网络前若干层。YOLOv10对冻结层有配套的设计，你可以在前30到50个epoch冻结backbone的低层特征提取层，只训练检测头，之后再解冻全部层微调。这样相当于先让检测头适应数据集，再让backbone做细粒度调整，能够有效缓解医学小数据集上的过拟合问题。

5. PyQt5界面开发与模型部署集成

5.1 界面整体架构与功能模块划分

很多时候毕设答辩演示环节出彩不出彩，就看你的界面做得怎么样。一个丑陋、卡顿、功能单一的系统，哪怕模型指标再高也会被老师扣印象分。PyQt5的界面系统，我建议至少包含以下几个模块：

• 图像导入模块：支持单张图片、批量图片和文件夹三种方式；
• 图像显示模块：原始图像显示、检测结果叠加显示（画边界框）、类别和置信度标注；
• 检测结果表格模块：以表格形式展示当前批次内每一张图的检测数量、类别分布、置信度均值；
• 统计图表模块：用饼图或柱状图展示当前批次内不同息肉类别的占比，这里可以用PyQt5自带的绘图功能实现；
• 模型管理模块：模型权重选择下拉框、置信度阈值滑块、IOU阈值滑块。

界面不需要花哨，但布局要合理、逻辑要清晰。我的建议是采用左右分栏布局——左侧是图像和检测结果的大图展示区，右侧是参数控制和统计信息区。答辩演示时，老师的视线自然会跟着你的鼠标走，这种布局最能突出"模型输出+上下文信息"的配合效果。

5.2 模型推理与界面集成的核心代码

把YOLOv10模型集成到PyQt5中，核心逻辑分为三步：加载模型、图像预处理、推理并绘制结果。这里给出一个可以直接抄的骨架实现：

import sys import cv2 import torch import numpy as np from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QFileDialog, QVBoxLayout, QWidget, QTableWidget, QTableWidgetItem from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtCore import Qt from ultralytics import YOLO class PolypDetectorApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle('结直肠息肉内镜图像辅助分析系统') self.model = None self.init_ui() def init_ui(self): # 核心控件：图片显示标签、选择图片按钮、结果表格 self.image_label = QLabel('请选择或拖入图像') self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setMinimumSize(800, 600) self.btn_load = QPushButton('加载模型') self.btn_select = QPushButton('选择图像') self.btn_detect = QPushButton('开始检测') # 布局与信号连接略... def load_model(self, model_path='best.pt'): # 加载训练好的权重 self.model = YOLO(model_path) def detect_image(self, img_path): # 推理并返回标注后的图像 results = self.model(img_path, conf=0.25, iou=0.45) annotated = results[0].plot() # 自带画框功能 # BGR转RGB并显示到QLabel annotated_rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch = annotated_rgb.shape bytes_per_line = ch * w q_img = QImage(annotated_rgb.data, w, h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(q_img)) if __name__ == '__main__': app = QApplication(sys.argv) window = PolypDetectorApp() window.show() sys.exit(app.exec_())

这段代码里有几个细节要重点注意。第一，不要在UI线程里直接跑模型推理。YOLOv10推理一张图大概需要几十到几百毫秒，但如果处理批量图片，几百张跑下来界面直接卡死。正确做法是用QThread或QRunnable把推理放到工作线程，UI线程只负责更新显示。第二，results[0].plot()是最省事的画框方法，但它是numpy格式，你需要自己转成QImage才能显示在Qt控件里，转换过程中注意通道顺序（OpenCV是BGR、Qt是RGB）。第三，置信度阈值conf=0.25和IOU阈值iou=0.45不要写死在代码里，放到界面上让用户调节，这既是功能上的完善，答辩时也能展示你对参数的理解。

5.3 从PyQt5到PySide6的迁移说明

我在实际带学生的过程中发现，有一部分人用PyQt5写界面的时候会遇到授权问题或者安装依赖冲突的问题。如果是新开项目，我强烈建议直接用PySide6——它是Qt官方提供的Python绑定库，API和PyQt5几乎完全兼容（只是导入语句从PyQt5变成PySide6），但授权协议更友好。而且PySide6对高DPI屏幕支持更好，界面缩放不会出现模糊问题。如果你已经在PyQt5上写了一半，也不用推倒重来，两者的类名和调用方式非常相似，迁移成本很低。

6. 实验设计与答辩准备指南

6.1 设计对照实验，让你的结论站得住脚

写论文最怕什么？最怕只报了最终模型的一个准确率，没有对比实验、没有消融实验。答辩老师一眼就能看出你的实验设计充不充分。我建议你的实验章节至少包含以下三组实验：

第一组是基线对比实验：用Faster R-CNN、SSD、YOLOv8和YOLOv10在同一个数据集上训练，对比mAP、召回率、推理速度（FPS）。这组实验的目的非常直接——证明你选的YOLOv10确实有优势。注意模型一定要用同一个数据集、同样的训练策略，否则对比不公平。

第二组是消融实验：从你的方案里拆掉某一部分，看效果是否变差。比如"同时使用Mosaic和MixUp增强"和"仅使用基础增强"做对比；"冻结backbone前50轮"和"从头训练"做对比。每一组消融实验只改变一个变量，这样每个组件的作用就能被单独量化出来。

第三组是推理速度测试：在CPU和GPU上、在不同输入尺寸（320、640、1024）下分别测试单张图像的推理耗时。医学图像如果要做实时辅助诊断，这个数据非常有分量。

6.2 答辩高频问题清单与应答思路

答辩是毕设的临门一脚，很多同学项目做得好，但一上答辩台就语无伦次。我根据经验整理了一份高频问题清单和应答思路：

Q1：为什么选择YOLOv10而不是YOLOv8？答：YOLOv10引入了无NMS的端到端训练范式，推理阶段省去了非极大值抑制的后处理耗时，速度更快；同时采用了一致性匹配度量，正负样本分配更均衡，在相同参数量下精度指标更好。在医疗辅助诊断场景下，响应速度是刚需。

Q2：数据集中有没有类别不平衡的问题？你是怎么处理的？答：有的。正常黏膜样本在公开数据集中通常远多于息肉样本，前期训练时模型倾向于把输入都预测为"正常"。我的处理措施包括两个层面：数据层面用了过采样和类别加权策略，损失函数层面调整了cls损失的系数，让少数类别样本的梯度贡献更大。

Q3：模型在真实临床环境中的泛化能力如何？答：我的数据集来自公开科研数据集，图像采集设备、内镜型号、光照条件都相对单一，所以模型的泛化能力在跨设备、跨院区场景下仍有局限。这也是我后续工作的方向——引入多中心数据，并结合域自适应方法提升跨域泛化性能。

Q4：你的系统和现有医学辅助诊断系统相比有什么优势？答：第一，系统完全本地化部署，无需联网，保护患者数据隐私；第二，检测和分类在一个流程内完成，界面直观、操作门槛低，适合临床医生快速上手；第三，目前项目已经支持参数动态调节（置信度阈值、IOU阈值），可以适应不同医生对判读敏感度的差异。

Q5：有没有想过做息肉分割而不是检测？答：想过。分割能提供像素级的息肉轮廓信息，对于判定息肉边界、估计病灶面积确实更有价值。但目前公开数据集中的精细像素级标注相对较少，且分割模型推理速度更慢，在实时辅助诊断场景中性价比不如检测方案。未来可以结合实例分割模型做升级版本。

把这些问题提前写好答案、背熟、理解透，答辩时基本不会慌。核心原则是：宁可主动承认方案的局限性，也不要被问倒后支支吾吾。主动说"这个方案的局限在于什么、后续怎么改进"，比被动等老师来揭短要体面得多。

6.3 论文结构组织建议

论文结构我推荐一个稳妥的框架——摘要、绪论、相关工作、数据与预处理、模型设计、实验与分析、界面实现、总结与展望。其中最有辨识度的是"数据与预处理"和"模型设计"这两章，不要只堆代码，要把每个决策背后的理由写清楚。比如"为什么转化标注格式时要计算最小外接矩形""为什么数据增强要限制旋转角度在±15度以内""为什么使用加权损失函数解决类别不平衡"，这些内容就是你论文的"深度"所在。每写一小节，可以问自己"这段话换个没有做过项目的同学能不能看懂"，能看懂，说明逻辑是完整的。

7. 常见问题排查实录与避坑指南

整个项目做下来，最常翻车的场景我梳理成下面这个速查表，每一条都是真实踩过坑之后的经验：

再补充几个日常技巧。第一，训练时全程开启权重保存功能（YOLOv10默认保留最好的权重），但最好保留最近3个checkpoint，防止最后几个epoch过拟合时只能回退到一个不好的版本。第二，推理时如果发现某个类别经常漏检，可以单独提高该类别对应的conf阈值策略——在YOLOv10的后处理逻辑里支持按类别设置置信度阈值，这个"精细调参"在论文里也是一个加分点。第三，做好实验日志记录：每个实验的训练时间、显存占用、最终指标、超参数组合都记录到一个表格里，最后写论文的时候你会回来感谢自己这个习惯的。

8. 项目扩展方向与个人体会

做完了这个项目，你手里其实已经有了一套可以继续深挖的基础设施。如果后续有时间，我建议在三个方向上做拓展。

第一个方向是从检测走向分割。YOLOv8系列本身就支持实例分割，YOLOv10目前也推出了配套的分割版本。你可以把息肉检测从"边界框"升级为"像素级轮廓"，这样在临床应用中能给医生提供更精确的病灶边界信息，论文的档次直接上一个台阶。

第二个方向是引入视频流分析。现在的系统还停留在一张一张图检测的层面，但真实的内镜检查本质上是视频流——你可以把界面升级成"实时视频分析模式"，读入内镜视频文件或摄像头画面，逐帧检测并叠加结果，再套一个滑窗平滑算法来减少抖动。这个功能一旦做出来，系统就真正接近"辅助诊断"的形态了。

第三个方向是用注意力机制提升特征提取能力。你在训练数据里可能会发现一个问题：内镜图像中息肉周围的背景（肠道褶皱、黏液、反光区域）非常干扰判断。这时可以考虑在YOLOv10的骨干网络后插入一个轻量级注意力模块（比如坐标注意力或CA注意力），让网络自动关注息肉区域而忽略背景干扰。我个人的体会是，加注意力模块之后模型在背景复杂样本上的漏检率有明显下降，这个实验也特别好写成论文里的"改进模块"章节。

最后说几句实在话。我带过不少学生做这类毕设，经验告诉我，这个项目的成败七成在数据、两成在训练策略、一成在界面。不要一上来就盯着模型结构研究半天，先把数据集做干净、标签修正到位，后面所有环节都会顺畅很多。另外，项目进行中每一版实验结果都养成截图的习惯，这些图文记录既是论文素材，也是答辩PPT的素材。把上面这些环节都走扎实，你拿到的不仅是一个毕设的高分，更是从数据到部署的完整AI项目经验——这种经验，在工作面试中真的很好用。