目标检测项目我跟了不下十个，发现大家翻车的地方高度相似：不是模型不行，是链路没走顺。今天把"数据标注 → 训练 → 难例挖掘 → 部署优化"这条完整链路的实战经验串一遍。

## 标注规范：项目成败的起点

标注质量决定模型上限，这话一点不夸张。我们现在的标注规范模板：

- 框要"紧贴"目标，框大一圈小一圈都会影响定位精度，审标注时这是第一检查项
- 遮挡目标的标注口径必须统一：遮挡超过一半标不标？我们的做法是定阈值+示例图，贴在标注群公告里
- 类别定义写清楚边界：比如"划痕"和"压痕"在你们产线上到底怎么区分，配正反例图
- 每一批标注抽 10% 人工复检，不合格整批打回——前期严一点，后期省大事

## 难例挖掘：把钱花在刀刃上

第一版模型上线试跑后，别急着加数据。正确姿势是难例挖掘：把模型漏检、误检的样本捞出来，针对性补充标注。我们常用的循环：

1. 线上/试跑采集 → 2. 筛出 badcase → 3. 补充标注 → 4. 回炉训练 → 5. 回归测试

一般两到三轮，漏检率会有明显下降。比一上来就标几万张图的"大力出奇迹"省至少一半标注成本。

## 部署优化：从实验室到产线

模型在服务器上跑得好好的，一上边缘设备就掉帧，这是常态。我们的部署 checklist：

- 先定延迟/精度双指标，优化是有损的，要知道底线在哪
- 量化是第一手段，INT8 通常精度损失可控，先验证再上线
- 输入分辨率别盲目求大：很多时候降一档分辨率，速度翻倍、精度只掉一点点，产线完全可接受
- 后处理（NMS 等）的耗时也要算进延迟预算，别只看模型推理时间
- 上线后保留影子模式跑一周：新旧版本并行，对比漏检/过杀，确认无误再切流

## 实战建议清单

- 标注规范文档化+示例图，前期多花一周，后期省一个月
- 难例挖掘循环至少跑两轮再谈"模型不行"
- 部署优化先量化、再降分辨率，最后才考虑换硬件
- 影子模式是生产上线的标配，别直接切流
- 全链路留好版本管理：数据版本、模型版本、配置版本一一对应

## 结尾讨论

你们在标注环节踩过最大的坑是什么？难例挖掘有什么高效的筛选技巧？来聊聊。