面向 50 类服饰的离线识别应用。提供训练脚本、模型导出与 Android 端集成，主打“简约、稳定、可落地”。
- 应用名：服饰识别
- 核心特性：
- 50 类服饰识别、离线 ONNX 推理、Material 3 现代化界面
- 设置即时生效：语言切换（中文/English）、性能优先（多线程）、主题模式（跟随系统/浅色/深色）、结果展示密度、默认摄像头选择
- 相机功能：前后摄切换、从相册选择图片、手势对焦（双指缩放、双击对焦）
- 历史记录：结果保存、收藏功能、筛选（类别/置信度/时间）、搜索、分享（文字/图片）
- 其他：保存图片到相册、页面切换动画、历史记录管理
- 训练与模型：PyTorch 训练 → 导出 ONNX，应用内使用 ONNX Runtime 推理
Clothing-Classification/
├── DeepFashionClassifier/ # Android 应用（应用名：服饰识别）
│ ├── app/src/main/java/com/deepfashion/classifier/
│ │ ├── MainActivity.kt # 首页
│ │ ├── CameraActivity.kt # 拍摄页（底部：历史 | 相册 | 拍照 | 翻转）
│ │ ├── ResultActivity.kt # 结果页（保存到历史）
│ │ ├── HistoryActivity.kt # 历史列表
│ │ ├── SettingsActivity.kt # 设置（即时生效）
│ │ └── DeepFashionClassifier.kt # ONNX 推理
│ ├── app/src/main/assets/models/deepfashion_classifier.onnx
│ └── build.gradle
├── scripts/
│ ├── train_deepfashion_complete.py # 训练（断点续训、过拟合防护）
│ ├── update_model_for_android.py # .pth → ONNX 并复制到 app
│ ├── generate_launcher_icons.py # 从 image.png 生成图标
│ └── convert_* # 相关转换工具
├── image.png # 图标源文件
├── deepfashion_best_model.pth # 最佳模型
├── deepfashion_checkpoint_latest.pth # 训练断点
├── TRAINING_STATUS.md # 训练/继续说明
└── README.md
- 导入工程：Android Studio 打开
DeepFashionClassifier - 放置模型：
app/src/main/assets/models/deepfashion_classifier.onnx - 构建安装：
cd "DeepFashionClassifier"
./gradlew.bat assembleDebug- 可选图标生成：
python scripts/generate_launcher_icons.py --scale 0.60- 训练：
python scripts/train_deepfashion_complete.py（断点续训、日志与检查点保存至当前目录） - 导出并更新 App：
python scripts/update_model_for_android.py
pip install torch torchvision onnx onnxruntime pillow- 设置：语言/性能优先，修改后立即生效（推理前自动重建 Session）
- 历史：结果页"保存结果"，首页/拍摄页进入历史查看
将PyTorch模型转换为ONNX格式：
DeepFashion分类器转换
python scripts/update_model_for_android.py- 打开 Android Studio
- 导入
DeepFashionClassifier目录 - 确保 ONNX 模型位于
app/src/main/assets/models/deepfashion_classifier.onnx - 生成/替换启动图标（可选）：
python scripts/generate_launcher_icons.py --scale 0.75
- 构建与安装：
cd "DeepFashionClassifier" .\gradlew.bat assembleDebug
- 应用内功能：
- 首页现代卡片、右上角直接"设置"按钮、查看历史
- 拍摄页极简 UI、从相册选择/翻转摄像头/手势对焦、结果页保存到历史
- 历史记录支持分享文字和图片卡片
- 设置项即时生效：语言（中文/English）、性能优先（多线程）
- 图片去重：使用感知哈希算法去除重复图片
- 格式统一：将所有图片转换为JPEG格式
- 数据增强：随机裁剪、翻转、颜色调整等
- 骨干网络：ResNet18
- 迁移学习：使用ImageNet预训练权重
- 分类头：50类分类输出层
- PyTorch → ONNX：使用
torch.onnx.export() - ONNX Runtime：应用内使用 ONNX Runtime 进行推理
- 优化：多线程推理支持，性能优先设置
- 50 分类支持：面向 50 类服饰识别
- 实时分类：使用相机实时识别服装类型
- 相册选择：支持从相册选择图片进行识别
- 中文界面：完全中文化的用户体验
- Material Design 3：现代化 UI 设计
- 权限管理：相机和存储权限处理
- 异步处理：后台模型推理，流畅用户体验
- 手势操作：双指缩放、双击对焦（黄色对焦框）
- 历史记录：结果页一键保存，首页可查看
- 历史分享：支持分享文字信息和卡片图片（不保存到设备）
- 设置：语言切换/性能优先，均即时生效
- 训练集：14,000张图片，50个类别
- 验证集：2,000张图片，50个类别
- 测试集：4,000张图片，50个类别
- 总规模：20,000张图片
DeepFashion数据集包含50个细分类别，包括：
- 上衣类：风衣、西装外套、女式衬衫、飞行员夹克、纽扣衬衫、开襟毛衣、法兰绒衬衫、露背上衣、亨利衫、连帽衫、夹克、运动衫、派克大衣、双排扣外套、斗篷、毛衣、背心、T恤、上衣、高领毛衣
- 下装类：七分裤、休闲裤、短裤、宽松裤、牛仔裤、紧身牛仔裤、马裤、慢跑裤、紧身裤、背带裤、长裤、长袍、裙子、运动裤等
- 连身装类：长袍、连衣裙、连体衣等
完整50类：Anorak, Blazer, Blouse, Bomber, Button-Down, Cardigan, Flannel, Halter, Henley, Hoodie, Jacket, Jersey, Parka, Peacoat, Poncho, Sweater, Tank, Tee, Top, Turtleneck, Capris, Chinos, Culottes, Cutoffs, Gauchos, Jeans, Jeggings, Jodhpurs, Joggers, Leggings, Sarong, Shorts, Skirt, Sweatpants, Sweatshorts, Trunks, Caftan, Cape, Coat, Coverup, Dress, Jumpsuit, Kaftan, Kimono, Nightdress, Onesie, Robe, Romper, Shirtdress, Sundress
- PyTorch：模型训练和推理
- ResNet18：DeepFashion分类器的骨干网络
- 迁移学习：使用ImageNet预训练权重
- ONNX Runtime：移动端模型推理（已替代 TFLite）
- Android：原生Android应用
- Kotlin：Android开发语言
- PIL/Pillow：图像处理
- OpenCV：计算机视觉
- NumPy：数值计算
PyTorch模型 (.pth)
↓ torch.onnx.export()
ONNX模型 (.onnx)
↓ 部署到Android
ONNX Runtime 推理
- DeepFashion模型: 成功转换为 ONNX 格式
- Android部署: 模型已部署到Android应用
- 功能验证: DeepFashion 50分类模型测试通过
- 性能优化: 支持多线程推理，设置即时生效
- 量化：FP32 → INT8量化
- 剪枝：移除冗余参数
- 知识蒸馏：小模型学习大模型
- 异步推理：避免UI阻塞
- 模型缓存：减少加载时间
- 内存管理：优化内存使用
- 代码优化：简化调试信息，减少日志输出
- 训练完成: 32/100 epochs（Early Stopping触发）
- 最佳验证准确率: 61.55%（Epoch 22）
- 最终训练准确率: 74.29% (Loss: 1.5063)
- 最终验证准确率: 60.40% (Loss: 1.9554)
- 训练-验证差距: 13.89%（显著改善，之前的过拟合模型差距>27%）
- 状态: ✅ 训练完成，模型已转换为ONNX并部署到Android应用
- ✅ 增强数据增强（随机旋转、颜色变换、仿射变换）
- ✅ 增强正则化（Dropout 0.6、权重衰减 2e-4、标签平滑 0.1）
- ✅ Early Stopping（连续10个epoch无提升自动停止）
- ✅ GPU加速训练（RTX 4060，批次大小48，混合精度训练）
- 验证准确率：61.55%（最佳），较之前的60.90%略有提升
- 过拟合情况显著改善：训练-验证差距从27%+降低到14%
- 模型已部署：ONNX模型已更新到Android应用
- 模型准确率仍有提升空间：当前验证准确率61.55%，可继续优化（如调整超参数、尝试不同架构等）
- Android权限：需要手动授权相机和存储权限
- 样本不平衡：DeepFashion数据集中部分类别样本数量极少，可能影响识别准确率
-
多结果展示
- Top-3 结果展示与切换（显示前3个最可能的分类结果，支持快速切换查看）
- 结果置信度可视化（进度条或图表展示各分类的置信度对比）
-
批量识别
- 从相册多选图片进行批量识别
- 批量识别结果列表展示（支持单个查看详情）
- 批量保存到历史记录
-
类别信息
- 类别详情说明（离线缓存类别信息，支持关键词检索）
- 类别属性展示（如适用场景、季节、风格等）
-
图像处理增强
- 结果页支持图像裁剪区域预览与重识别
- 图像增强选项（亮度、对比度、锐化等基础调整）
-
批量操作
- 批量删除功能（多选模式，支持全选/反选）
- 批量导出（支持导出为JSONL/CSV格式）
- 按日期范围批量操作
-
分享增强
- 历史记录水印/署名（分享图片时可选择添加应用标识）
- 分享格式优化（支持长图拼接、详情卡片等）
- 拍摄辅助
- 网格参考线开关（三分线/网格线，辅助构图）
- 快门音开关（静音拍摄选项）
- 连拍模式（自动保留置信度最高的一张，或全部保存）
- 分辨率选择（支持不同拍摄质量，平衡速度与精度）
-
引导与帮助
- 首次启动引导（快速上手教程，核心功能演示）
- 应用内更新日志（本地查看版本更新记录）
- 帮助中心（常见问题与使用技巧）
-
界面优化
- 深色模式视觉细节优化（进度条、分隔线、阴影对比度调整）
- 动画效果优化（更流畅的过渡动画）
- 手势操作提示（首次使用时引导手势功能）
-
性能提升
- ONNX Runtime 线程策略自适应（根据设备CPU核心配置自动调整）
- 异步 I/O 优化（历史记录写入不阻塞主线程）
- 内存优化（减少峰值内存占用，优化大图处理）
- 推理缓存机制（相似图片复用识别结果）
-
体积控制
- 资源裁剪（进一步压缩图片和资源文件）
- 控制 APK 体积 ≤ 25 MB
- 模型优化
- 继续训练 DeepFashion 50 类模型（采用早停、余弦退火、Mixup/CutMix等技术）
- 类别不均衡处理（重采样策略优化，提升少数类别识别率）
- 指标监控扩展（F1分数、Top-3/Top-5准确率等）
- ONNX模型更新与回归测试（确保模型转换一致性）
- 模型量化优化（INT8量化以减小体积、提升速度）
-
错误处理
- 崩溃捕获与本地日志（设备内记录，不上传）
- 异常处理优化（更友好的错误提示，提供解决建议）
- 网络异常处理（如有在线功能时）
-
测试与验证
- UI自动化测试（启动/拍摄/保存/历史/设置等核心流程）
- 多语言完整性检查（中英文资源覆盖率100%）
- 多设备兼容性测试（不同Android版本和屏幕尺寸）
- 性能测试（内存占用、CPU使用率、识别速度基准测试）
- 多 ABI 构建变体（arm64/armeabi-v7a），支持更多设备
- 无障碍功能支持（内容描述、焦点顺序优化）
- 分享功能增强（支持更多分享渠道和格式）
- 云端备份（用户可选，本地优先）
如果这个项目对您有帮助，欢迎扫码支持：
MIT License