视觉项目：产品质量分类

这个项目从产品图片判断“合格、划痕、破损、污渍”等类别，练习标注、迁移学习、数据增强、错误分析和推理部署。

先统一缺陷定义

标注前写清：

• 每类缺陷的视觉标准。
• 同时存在多种缺陷时如何标注。
• 轻微程度是否算缺陷。
• 图片模糊、遮挡或产品不完整如何处理。

如果标注人员无法稳定一致，模型也无法学到稳定边界。

数据切分

不要只随机切图片。同一产品、同一拍摄批次或连续视频帧高度相似，应作为一组放入同一集合，否则测试结果会虚高。

测试集应覆盖不同相机、光照、角度、背景和产线。

训练路线

1. 统一尺寸和归一化。
2. 使用预训练轻量视觉模型。
3. 先冻结主干训练分类头。
4. 再小学习率解冻部分层微调。
5. 对比无增强和合理增强。
6. 保存验证集最优检查点。

评估

除了总体准确率，还要查看每类 Precision、Recall 和混淆矩阵。漏检严重缺陷的代价通常高于把正常品误判为异常，应单独设置上线门槛。

错误样例

把错误图片按原因分类：光照、模糊、遮挡、缺陷太小、标签争议、背景干扰、未见产品。不同原因对应不同修复方式，不应统一通过“换更大模型”处理。

推理服务

固定图片解码、颜色空间、缩放和归一化。输出包含类别、置信度和模型版本。低置信度或未知场景进入人工复核。

在目标设备上压测单张延迟、峰值内存和持续运行温度。若需要量化，再对全部场景重新评估。

完成标准

• 标注规范和数据版本明确。
• 同源图片没有跨集合泄漏。
• 预处理训练与推理一致。
• 每类错误和关键场景有独立指标。
• 低置信度有人工处理路径。
• 新产线、新设备和新缺陷有数据回流方案。