项目记录 / 联邦学习
基于联邦学习的
口罩识别系统.
从已有口罩识别基线出发，我参与搭建了 Flower 多客户端训练模拟，并在小组项目基础上独立撰写论文，研究客户端数量与本地训练轮数对准确率和训练耗时的影响。
从本地训练到全局评估。
- 01
客户端本地训练
各客户端在本地数据分区训练轻量 CNN
- 02
服务器聚合
基于 FedAvg 聚合更新，保存全局模型与训练指标
- 03
独立测试集评估
用未参与训练的图像评估全局模型的损失与准确率
01 / 小组阶段
将口罩识别基线扩展为联邦训练。
团队以已有的口罩识别项目为基线，用 PyTorch 构建轻量 CNN，对佩戴口罩和未佩戴口罩的图像进行二分类，再用 Flower 在本机模拟分布式训练。数据被划分为各客户端的本地分区；客户端分别训练并返回模型参数与指标，服务器通过基于 FedAvg 的自定义策略聚合更新，保存全局模型并记录训练准确率和损失。
小组阶段的启动脚本运行一个服务器和五个客户端进程。训练结束后，我们用独立、未参与训练的测试集评估全局模型，以交叉熵损失衡量预测误差，以分类准确率衡量识别效果。这是本地多进程模拟，不代表已经完成真实多设备部署。
PPT 中的 CIFAR-10 非 IID 实验是小组阶段另一项探索，关注数据分布不均衡和本地训练配置；它与这里展示的口罩识别训练记录分开，不作为口罩识别结果引用。
02 / 我的贡献
贯通数据、训练、评估与本地预测。
根据小组汇报的 Division of Work（第 21 页），我负责训练与测试数据的收集和处理，以及口罩识别联邦训练流程的主要代码实现，并承担分布式训练实现部分的汇报。这些工作是团队协作中的主要贡献，而不是对整个小组成果的独占归属。
数据准备与模型
我收集并处理训练数据和测试数据，组织佩戴口罩／未佩戴口罩两类图像；实现 dataset.py 的数据加载与客户端等分逻辑，以及 model.py 中的轻量 CNN，为本地训练和独立测试准备一致的输入流程。
客户端训练与服务器聚合
我主要实现 client.py 和 server.py：客户端通过 Flower 的 NumPyClient 加载本地数据、训练并返回参数和指标；服务器使用基于 FedAvg 的策略聚合模型更新，按轮保存全局模型、记录准确率和损失，并在训练结束后生成曲线。
实验启动与模型评估
我实现 run_all.py 来启动服务器和多个带不同 CLIENT_ID 的客户端进程，串联本地模拟流程；实现 evaluate_model.py，在独立测试集上计算交叉熵损失和分类准确率，检查全局模型对未见图像的识别效果。
03 / 后续论文
从单次训练流程到配置权衡研究。
在小组项目基础上，我独立撰写了论文《Federated Learning on Mask recognition with its local simulation and optimization》，研究客户端数量与本地训练轮数（local epochs）不同组合下的模型表现。这里的本地训练轮数指客户端每次参与聚合前的训练遍数，与服务器的聚合轮次不同。
结合项目 README，后续分析用 Pareto 前沿呈现准确率与训练耗时之间的权衡：关注无法在不牺牲另一项指标的前提下继续改进的配置，而不是只按最高准确率排序。统计比较使用 Friedman 检验，并通过 Nemenyi 检验比较配置间的差异。这里说明分析方法，不引用缺少明确出处的最优组合、显著性结论或具体实验数值。
期刊页面显示论文已于 2025 年 10 月 23 日发表，收录于 STECEP，第 3 卷第 5 期，作者为 Liukai Tang。论文状态以期刊页面为准；项目 README 中的 “Under Review” 是较早的记录。
04 / 项目链接