ImageNet分类：预训练VGG11 Top-5错误率异常偏高问题排查

你的计算是正确的，返回结果中Top-5错误率为0.99607，对应Top-5准确率为1 - 0.99607 = 0.393%，Top-1准确率仅为0.102%，远低于torchvision预训练VGG11的公开基准水平（正常Top-1准确率约69%，Top-5准确率约89%），说明预测流程存在明确错误。

你收到的服务器返回原始内容如下：

Error: 0.99607 (top-5)  0.99898 (top-1)
Per-class error (classes 1-1000):
1 1
1 1
1 1
...

你已确认测试图像按字母顺序加载，排除样本顺序错配的前提下，结合你提供的实现代码，问题大概率出在以下环节，按概率从高到低排序：

• 类别索引映射不匹配：这是导致错误率接近100%的最核心原因。datasets.ImageFolder会自动按照数据集子文件夹名称的字母顺序，从0开始分配类别标签，但ImageNet官方评估服务器使用的1000类标签是按照固定WordNet ID映射排序的，和文件夹名字母序完全不一致。你输出的预测类别编号和服务器端的真值编号无法对应，自然会得到几乎全错的结果。
• 预处理逻辑隐性错误：你当前写的Resize(256)+CenterCrop(224)+标准化的流程本身和预训练权重适配的处理逻辑一致，但如果Resize调用时未匹配预训练使用的插值方式、或者图像加载时出现通道顺序错位（比如误把PIL读取的RGB图转成BGR），也会导致预测结果异常，但这类问题一般不会让错误率高到接近100%。
• 输出索引偏移：部分旧版本torchvision的预训练VGG11权重对应的类别顺序，和官方ImageNet评估列表存在1位索引差，但这类问题只会让准确率小幅下降，不会出现几乎全错的情况。

你提供的代码如下：

vgg11 = models.vgg11(pretrained=True)
vgg11.to(torch.device("cuda"))
vgg11.eval()
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])


test_loader = torch.utils.data.DataLoader(datasets.ImageFolder("test_dataset",
                                                               transforms.Compose([
                                                                   transforms.Resize(256),
                                                                   transforms.CenterCrop(224),
                                                                   transforms.ToTensor(),
                                                                   normalize
                                                                   ])),
                                          batch_size=32, shuffle=False)
fp = open("predictions.txt", "w")
for a, b in tqdm(test_loader):
    preds = vgg11(a.cuda())
    _, preds = torch.topk(preds, k=5, dim=1)
    preds = preds.cpu().detach().numpy()
    for i in range(len(preds)):
        fp.write(" ".join(str(j) for j in preds[i])+"\n")
fp.close()

优先核对类别映射关系：先选取数张类别明确的ImageNet验证集图片做本地预测，确认模型输出的类别编号和评估服务器要求的编号规则一致，修正映射关系后准确率会立刻回到正常区间。

内容的提问来源于stack exchange，提问作者Atif Hassan