添加 Web 演示截图与 Gradio 部署教程到 README

README.md

@@ -6,11 +6,14 @@
 
 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。
 
+![demo](web/online.jpg)
+
 ---
 
 ## 目录
 
 - [项目特点](#项目特点)
+- [Web 演示](#web-演示)
 - [模型架构](#模型架构)
 - [数据集](#数据集)
 - [环境要求](#环境要求)
@@ -34,6 +37,36 @@
 - **断点续训**：自动检测 `best_model.pth` 并加载继续训练
 - **多设备支持**：自动选择 CUDA > Intel XPU > CPU
 
+## Web 演示
+
+本项目提供基于 Gradio 的 Web 界面，上传图片即可实时预测垃圾类别。
+
+![demo](web/online.jpg)
+
+### 启动
+
+1. 确保 `best_model.pth` 位于项目根目录（如没有，先运行 `python Train.py`）
+2. 安装 Gradio 依赖：
+   ```bash
+   pip install "gradio>=4.0,<5.0" "pydantic>=2.5,<2.10"
+   ```
+3. 启动 Web 服务：
+   ```bash
+   python web/app.py
+   ```
+4. 浏览器打开 `http://127.0.0.1:7860`
+
+### 配置
+
+可在 `web/app.py` 底部 `demo.launch()` 中调整：
+
+| 参数 | 默认值 | 说明 |
+|---|---|---|
+| `server_name` | `127.0.0.1` | 局域网访问改为 `0.0.0.0` |
+| `server_port` | `7860` | 端口冲突时可换 |
+| `share` | `False` | 改为 `True` 可生成临时公网链接 |
+| `inbrowser` | `True` | 启动后自动打开浏览器 |
+
 ## 模型架构
 
 模型基于标准 ResNet-34 架构，使用 BasicBlock 构建。
@@ -132,6 +165,7 @@ pip install -r requirements.txt
 | `baseline/ResNet34_Pretrained_10pct.py` | ResNet-34 ImageNet 预训练 + 10% 数据微调 |
 | `baseline/HOG_Baseline.py` | HOG + 颜色直方图 + LogisticRegression（纯传统 CV） |
 | `baseline/compare_models.py` | 多模型对比（ROC / PR 曲线 + 准确率柱状图） |
+| `web/app.py` | Gradio Web 前端，上传图片实时分类 |
 | `training_log.csv` | 训练日志，记录每轮 epoch 的 loss、f1、acc、lr |
 | `best_model.pth` | 训练好的最佳模型权重（约 125 MB，不纳入版本控制） |
 | `THIRD_PARTY_LICENSES.md` | 第三方数据集许可证声明 |
@@ -148,6 +182,9 @@ trash-division/
 │   ├── roc_comparison.png   # 多模型 ROC 对比（compare_models.py 输出）
 │   ├── pr_comparison.png    # 多模型 PR 对比（compare_models.py 输出）
 │   └── accuracy_bar.png     # 多模型准确率对比（compare_models.py 输出）
+├── web/                      # Web 前端目录
+│   ├── app.py                # Gradio 应用入口
+│   └── online.jpg            # Web 演示截图
 ├── best_model.pth           # 最佳模型权重（不纳入版本控制）
 ├── Curve.py                 # 训练曲线绘制脚本
 ├── Dataloader.py            # 数据加载模块