refactor: replace custom Bottleneck model with standard ResNet-34 + Dropout

README.md

@@ -4,7 +4,7 @@
 
 > 同济大学 Python 人工智能程序设计课程小组作业
 
-基于自定义 ResNet 风格 Bottleneck 架构的 CNN 模型（约 80M 参数），将生活垃圾分为厨余垃圾、可回收物、其他垃圾、有害垃圾四个类别，输入为 256×256 RGB 图像。
+基于 ResNet-34 架构的 CNN 模型（约 21M 参数），将生活垃圾分为厨余垃圾、可回收物、其他垃圾、有害垃圾四个类别，输入为 256×256 RGB 图像。
 
 ---
 
@@ -25,7 +25,7 @@
 ## 项目特点
 
 - **四类垃圾分类**：厨余垃圾（1）、可回收物（2）、其他垃圾（3）、有害垃圾（4）
-- **自定义 ResNet Bottleneck 架构**：约 80M 参数，50 层深度残差网络
+- **ResNet-34 架构**：约 21M 参数，34 层深度残差网络，含 Dropout 正则化
 - **数据增强**：训练时使用随机裁剪、水平翻转、旋转、色彩抖动
 - **Macro-F1 评估**：采用宏平均 F1 分数作为主要评估指标，兼顾各类别表现
 - **类别加权损失**：自动计算类别权重，缓解类别不平衡问题
@@ -35,28 +35,27 @@
 
 ## 模型架构
 
-模型基于残差网络（ResNet）的 Bottleneck 构建块设计。
+模型基于标准 ResNet-34 架构，使用 BasicBlock 构建。
 
-### Bottleneck 块
+### BasicBlock 块
 
-每个 Bottleneck 块包含三个卷积层：
+每个 BasicBlock 包含两个 3x3 卷积层 + 跳跃连接：
 
 | 层 | 卷积 | 作用 |
 |---|---|---|
-| 1x1 Conv | 降维 | 减少通道数，降低计算量 |
-| 3x3 Conv | 特征提取 | 核心卷积操作 |
-| 1x1 Conv | 升维 (x4) | 恢复通道数至输入的 4 倍 |
+| 3x3 Conv | 特征提取 | 第一层卷积 |
+| 3x3 Conv | 特征提取 | 第二层卷积 |
 
 ### 网络结构
 
 | 阶段 | 块数 | 输出通道数 | 说明 |
 |---|---|---|---|
 | 初始层 | - | 64 | 7x7 Conv, stride=2 + MaxPool |
-| Stage 1 | 3 | 256 | 第一个残差阶段 |
-| Stage 2 | 4 | 512 | - |
-| Stage 3 | 14 | 1024 | 最深阶段（比 ResNet-50 加深） |
-| Stage 4 | 3 | 2048 | 最终残差阶段 |
-| 分类头 | - | 4 | 全局平均池化 + 全连接层 |
+| Layer1 | 3 | 64 | 第一个残差阶段 |
+| Layer2 | 4 | 128 | - |
+| Layer3 | 6 | 256 | - |
+| Layer4 | 3 | 512 | 最终残差阶段 |
+| 分类头 | - | 4 | 全局平均池化 + Dropout + 全连接层 |
 
 ## 数据集
 
@@ -111,7 +110,7 @@
 |---|---|
 | `Train.py` | 训练主脚本，包含训练循环、验证、评估 |
 | `Dataloader.py` | 数据加载模块，包含 RobustImageFolder 和 DataLoader 创建 |
-| `Model.py` | 模型定义，Bottleneck 残差块 + Net 主模型 |
+| `Model.py` | 模型定义，ResNet-34（BasicBlock）+ Dropout |
 | `Merge_classes.py` | 数据集预处理，265 类合并为 4 类 |
 | `best_model.pth` | 训练好的最佳模型权重（约 125 MB） |
 | `AGENTS.md` | AI 助手指南（开发辅助） |