8月下旬，不少学校27届的毕设选题表已经发下来了。深度学习照例是最挤的方向之一：这两周知乎上的选题讨论明显密集，推荐帖、排雷帖天天在更新；小红书上「答辩会被问什么」这类笔记，收藏量动辄近千。但翻一翻那些做到一半卡住的帖子，你会发现大家的痛点高度一致——数据没着落、算力不够用、中期想换题、答辩答不上。
所以先把结论放在前面：对大多数人来说，深度学习毕设，「能做完」比「听着炫」重要得多。
拿到选题表之后，最危险的不是没题可选，而是选错题还不自知。知乎题目名字看着都挺正经，「基于深度学习的XX识别」，真做起来才发现数据没着落、工作量拆不开，中期检查前连夜改题的年年都有。
先说过关线：三个问题
社区里流传的选题标准很多，最实用的一句话是：能回答「数据从哪来、单卡能不能训完、答辩讲什么」这三个问题，这个题目就基本成熟了。知乎注意这三个问题的顺序：数据在最前，算力在中间，答辩在最后——恰好对应毕设最容易翻车的三个环节，少哪一个，后面都是连环坑。
选题分层：按自己的情况对号入座
稳妥层（适合大多数人）：成熟模型 + 公开数据 + 具体场景 + 完整演示。 YOLOv8安全帽检测、垃圾分类、表情识别、车牌识别这类题目就是典型。别嫌它们「土」——评委看的是完整度：数据怎么来的、为什么做这个场景、系统能不能演示，而不是模型有多复杂。测试集指标达标、系统能完整跑起来演示，这个毕设就立住了。
加分层（适合基础不错、时间充裕的）：在成熟模型上只改一个点，配上消融实验。 选题讨论里出现频率比较高的例子：改进YOLOv8做PCB板缺陷检测，换主干注意力、加小目标检测层，公开基准上能做到94.7%的mAP。知乎另一个常见组合是YOLOv5加CBAM注意力做交通标志检测，mAP涨两三个点就够讲了；或者做轻量化网络，把模型压缩到能上移动端部署。记住一条原则：一次只改一个主要变量，改动必须配消融实验，答辩时把「为什么改、改了之后好在哪」讲清楚，这才是加分项的本体。
风险层（少数人，慎入）：多模块组合、多模态、大模型系统。 模块一多容易顾此失彼，靠谱的顺序是先把主链路跑通，再逐步叠加。大模型、具身智能这些方向确实热，但它们对算力、数据和工程能力的要求，跟「一个学期内做完的毕设」完全是两回事。
四个最容易踩的坑
坑一：先定题目，再找数据。更稳妥的顺序是反过来：先确认任务类型和可用算力，再选能在一个学期内跑通、写得清楚、还能做出对比实验的数据集。知乎很多人选了个洋气题目，自建数据集标注到一半发现时间不够，最后只能拿CIFAR-10、VOC这类公开数据集凑合交差，答辩时被问得站不住脚。凡是标题里带「预测」「识别」「检测」的题，签题之前先追一句：数据在哪、我能不能拿到。
坑二：数据泄漏。同一个视频的相邻帧、同一张图的不同增强版本，同时进了训练集和测试集，指标会虚高到你怀疑人生之前都不会被发现。今年就有个真实案例：一位跟着老师写SCI的本科生，论文写到一半才发现测试集数据有泄露，回头修复代码，结果反而不太好了。知乎划分数据集时按对象、按采集批次划，别只按图片简单随机。这类问题发现得越早，代价越小。
坑三：买源码、找人代做。光这一个月，知乎上就能看到几十篇「毕设选题推荐+获取源码」的营销帖，大多是拿Hadoop、Spark数据分析系统换个标题反复发，题目一个比一个像正经项目。这类交易的风险不只是钱：答辩老师问到数据划分、训练配置、参数选择依据，答不上来的时候才是真致命。也别低估深度学习毕设的工作量，圈里有人说得很直白：平台级的深度学习毕设，属于出去找人做加到1万也不一定有人接的活。小红书
坑四：把堆模块当成创新点。「加了三个模块」不直接等于「三个创新点」，代码能跑也不等于每个改动都起作用。知乎答辩想听的是一个闭环：原方案哪里不够、你改了什么、证据是否支持预期。某个模块提升不大也不慌，能讲清楚为什么收益有限，比编一个漂亮结果可信得多。
算力这件事，别自己吓自己
一个常见误解：做深度学习毕设得先配一台24G显存的工作站。真不用。稳妥层和加分层的任务，一张主流游戏卡就能训；哪怕是强化学习这类方向，只做经典算法的基准验证，单张11GB显存的老卡就够。知乎单卡只有4～8G显存的，选几千到一两万张量级的数据集，照样能把实验做完整。知乎今年云算力和API价格整体在涨，与其冲动买硬件，不如「先用手里现有的跑，冲刺期短租几周服务器」——过来人的经验是跑代码用实验室或租来的服务器，本机只是一台轻薄本，也一样能把毕设做完。
不过有句话要说在前面：签题之前先想好降级方案。知乎模型调不出来能不能先做纯规则版本，数据不够能不能换公开数据集——没有退路的题目，一旦卡住就是死路。
最后给一份答辩自检清单
对深度学习项目，答辩更像一次「小型实验审计」。知乎老师翻来覆去问的其实就五件事：
为什么要用深度学习？传统方法哪里不行？
为什么选这个模型？做了哪些取舍？（「因为它先进、速度快、效果好」是最危险的开场白，一问「快是多少、好是相对谁」就露馅。）
结果可信吗？划分公平吗、对比统一吗、能复现吗？
每个改进点到底带来了什么？
自己工作的边界在哪里，你自己知道吗？
签题之前，拿这五问反过来把题目问一遍：如果大致能预见答案，就签；如果一个问题都答不上，趁早换题不丢人。
最后一条建议
选题后的头两周，别急着写论文，先跑一个最小闭环：把数据下下来、把baseline跑起来、训一个小规模版本。闭环跑通了，后面半年不难受；跑不通，越早换方向损失越小。毕设是你毕业前最后一个能名正言顺写进简历的项目，签题前花半小时想清楚，比中途熬夜改题划算得多。
