MindPet – 智能宠物图像分类系统产品系统

当前宠物经济快速增长，线上线下场景对宠物图像自动识别的需求日益增加：宠物医院需要快速辅助初筛物种/大致类别，电商平台需要批量打标签提升检索效率，社区/救助平台需要从用户上传照片中快速区分猫狗等常见宠物，减少人工标注成本。传统人工分类效率低、一致性差，尤其在夜间监控截图、模糊手机照片等真实场景下准确率不稳定。本项目面向这一痛点，构建一套轻量、可快速部署的宠物图像分类系统，支持用户上传照片后即时返回类别结果，降低业务侧的人工干预成本。

系统以Web端交互为核心，主要功能模块如下：

图像上传与预览：支持本地图片拖拽/选择上传，实时显示原图。
一键推理：点击Submit后，后端调用训练好的ResNet模型完成前向推理，并在右侧绿色结果区直接输出预测类别（如cat）。
示例快速体验：底部提供多张预置示例图（狗、爬行动物、鱼、马等），点击即可自动填入并推理，方便新用户快速验证效果。
结果展示与重置：清晰显示模型输出类别，同时提供Clear按钮一键清空，便于连续测试。

整体交互简洁，非专业用户也能在30秒内完成“上传→预测→查看结果”的完整闭环，适合作为演示Demo或后续业务系统的前端入口。

我负责从数据准备到模型训练、推理服务封装及Gradio前端部署的全流程落地：

使用华为MindSpore框架构建并微调ResNet50（或同类ResNet变体）卷积神经网络，完成宠物多类别分类任务；
设计数据预处理流水线（归一化、尺寸统一、数据增强），保证训练与推理一致性；
将训练好的MindSpore模型封装为可调用的推理接口，并用Gradio搭建轻量Web服务，实现前后端一体化部署（支持本地或云端运行）。

技术栈与架构：Python + MindSpore（核心训练/推理） + ResNet卷积神经网络 + Gradio（交互层）。整体采用“模型推理服务 + 轻量Web前端”的解耦架构，便于后续替换模型或接入业务系统。
实现亮点：

完全基于国产MindSpore框架，兼容华为软硬件生态，便于在昇腾等环境下进一步优化；
Gradio一键部署，零前端代码即可获得专业级交互界面，极大缩短演示与交付周期；
示例图+实时预测的闭环设计，降低用户试用门槛。

主要难点：

MindSpore与主流PyTorch生态在部分算子、预训练权重加载上的差异，需要自行适配与调试；
真实宠物照片存在姿态、光照、遮挡、多宠同框等复杂情况，需通过数据增强与合理阈值设置提升鲁棒性；
在保证推理速度的同时控制模型体积，使普通服务器或个人电脑也能流畅运行。

整体项目从问题定义到可交互Demo均由我独立完成，体现了从算法落地到产品化交付的完整能力，可直接作为后续定制化图像分类项目的基础模板。