2026.4.23征图日记1（好累，好孤独，好难受）
早上mentor给了公司项目的测试环境的ip，让我熟悉一下
这个项目是对手机的外壳和中框等部件进行检测的，主要是检测是否有白划伤、压伤、异色、压痕等；底层是大模型进行检测；通过给图像模型样本（正负样本），对模型进行训练。当然我不负责样本标注，这个有其他实习生负责，hr当时说的是偏开发
上午还了解了一下django框架，下午了解了一下react，然后就在翻之前模型的训练数据
令人庆幸的是，公司的厕所是蹲便~
mentor下午还给我讲了一下他现在在做的东西，感觉很复杂，明天说是把代码跑起来，然后一起想一想交互逻辑（很难）
下班回宿舍，感觉好孤独，想找对象了~
如何优化模型识别能力，降低过杀率和漏检率？
优化样本集：
严格拆分数据集：按 7:3/8:2 随机打散划分，验证集必须完全没参与训练，且覆盖所有机型、光照、瑕疵等级扩充验证集多样性：验证集加入全新产线、不同反光、不同纹理、极细微瑕疵的陌生图片，考验模型真实眼力
大规模数据清洗：剔除标错、模糊、无效样本，统一良品 / 不良品标注口径
数据增强：训练时随机做亮度微调、轻微噪声、小角度偏移、轻微模糊，模拟产线真实光影变化，防止模型死记硬背图片
样本均衡：保证划伤、压伤、异色、良品各类别数量匹配，避免模型偏心
优化训练策略（防止过拟合）：
加入早停（Early Stopping）：监控val_loss，连续多轮不下降就立刻终止训练，避免过度学习
动态调整学习率：前期大步快速学、后期缩小步长精细收敛，避免验证指标剧烈震荡
加入正则化约束：Dropout、权重衰减，强制模型不能只记无关细节，必须学通用缺陷特征
合理控制训练轮次：不盲目堆 Epoch，找到收益最高点就停下
模型与任务适配
选用工业缺陷专用骨干网络（fsnet），而非通用大模型，天生更适配手机金属 / 塑胶表面细微瑕疵
精简模型容量：模型太大、能力过强就容易死记硬背，适度裁剪后泛化性大幅提升
优化损失函数：针对区域分类、瑕疵区分的业务场景定制，而不是通用分类损失
业务标准对齐
统一「什么算真缺陷、什么是正常纹理」的判定标准
提前对齐产线对过杀率、漏检率的容忍底线，模型训练目标和真实生产需求完全匹配
另外：消费电子外观瑕疵没有公开通用数据集，所有优质数据必须自己在产线长期积累
手机中框 / 外壳的白划伤、暗压痕，人眼都极难分辨，标注标准统一难度极大，要做到「见过的、没见过的机型都稳定」，普通通用 AI 根本做不到，跨产线、跨光照、跨新机种还能稳定，是 90% 工业 AI 团队跨不过的坎
增强用哪些组合、正则加多大、什么时候降学习率、早停阈值怎么设，全是工业视觉项目长年踩坑积累的实战经验，书本理论解决不了
漏检太高 → 不良品流到市场，客诉、巨额罚款
过杀太高 → 大量良品报废，产线产能崩溃、成本暴涨
精准拿捏二者平衡点，是顶尖工业 AI 方案的核心竞争力