传统人脸情绪识别方法在真实场景中鲁棒性差，易受光照、角度等因素干扰。本项目创新性地将传统视觉分类任务，转化为多模态推理任务，通过LLaMA-Factory框架微调Qwen3-VL大模型，显著提升了情绪识别的准确率与泛化能力，为AI视觉应用提供了新思路。
智能速览
传统人脸情绪识别方法在复杂环境中泛化能力不足。
项目将分类任务重构为多模态推理，增强模型语义理解。
采用LLaMA-Factory框架，实现高效低成本的模型微调。
在FER-2013数据集上，模型准确率从55.2%提升至73%。
提供Lab4AI平台一键复现链接，降低技术实践门槛。
精华内容
传统视觉分类的瓶颈如何突破？本项目通过将人脸情绪识别转化为多模态推理任务，利用大模型的语义理解能力，显著提升了模型在复杂环境下的表现。
传统方法的局限
传统的人脸表情识别方法多依赖于CNN等视觉网络，仅在单一视觉特征上进行分类。这类方法虽然在标准数据集上表现优异，但一旦进入光照多变、存在遮挡或拍摄角度复杂的真实环境，其性能便会急剧下降，导致泛化能力不足，难以满足实际应用需求。
任务重构：分类变推理
为突破传统局限，项目对经典的FER-2013数据集进行了深度改造。原始的“图片+标签”形式被重构为“图片+提示词（instruction）+答案”的结构。这种格式调整将单纯的表情分类任务，转变为跨模态的问答任务，让模型能够调用语言知识进行推理，而非仅依赖像素级特征。
高效微调实践
项目基于Qwen3-VL多模态大模型，并选用LLaMA-Factory框架进行定向微调。该框架支持一键启动，自动完成数据加载、训练与评估全流程。其优势在于配置简洁、显存占用低，支持单卡高效训练，大幅降低了大模型微调的技术门槛与硬件成本。
性能提升显著
经过完整的微调与评估流程，模型性能获得了实质性提升。数据显示，在训练步数达到5000步时，模型准确率达到最佳状态。微调后模型在FER-2013数据集上的准确率从基线模型的55.2%提升到了73%，提升幅度高达17.8%，验证了多模态方案的有效性。
本项目成功展示了多模态大语言模型在传统视觉任务中的巨大潜力，通过将情绪识别从分类升级为推理，实现了性能的飞跃。这一实践不仅为人脸情绪识别提供了更稳健的解决方案，也为其他视觉任务向多模态转型提供了可借鉴的范例，预示着AI应用的新方向。
