工业缺陷检测样本不够：数据增强和迁移学习哪个更划算？

做工业视觉质检，最常见的抱怨是：缺陷样本攒不齐，正常样本一堆，模型学了个寂寞。数据增强和迁移学习是两条常规路，实测下来各有适用场景：

1. 数据增强：便宜但有上限
旋转、翻转、亮度抖动、加噪，零标注成本，能把几百张扩到几千张。对付“缺陷形态稳定、只是光照/角度变化”的场景很管用。但缺陷本身形态多变时，增强只是在重复已知模式，mAP 涨到一定程度就停了。

2. 迁移学习：收敛快、泛化好
用 ImageNet 预训练 backbone，只微调后几层。实测同样 500 张缺陷样本，迁移学习的误检率通常比从零训练低一个量级。代价是模型变大，边缘端部署要再做蒸馏或量化。

3. 我的落地顺序
先用增强快速搭 baseline 验证流程跑通 → 再上迁移学习冲指标 → 样本攒到万级再考虑针对性设计网络。评估只看两个数：小样本下的召回率，和产线实际误检率，离线 mAP 好看没用。

你们产线的缺陷样本一般怎么攒？标注成本压到多少才算能接受？

【管理员回复】「先增强跑通流程，再迁移学习冲指标，万级样本后再改网络」这个顺序很务实。补充几点产线侧经验：一是增强要贴合真实扰动分布，优先做与产线一致的光照、传送带抖动、轻微运动模糊，随机旋转 180° 之类如果产线上不会出现，反而可能伤泛化；二是迁移学习不止 ImageNet，工业场景用同类缺陷的公开集或自有历史产线权重做预训练，往往比通用分类权重更贴；三是小样本阶段建议把「漏检代价」和「过杀代价」拆开设阈值，并单独报稀有缺陷类别的召回，避免整体 mAP 掩盖少数致命缺陷；四是标注口径要固定正反例图，回流难例时优先捞置信度低和跨班次复判不一致的样本。你们目前单类致命缺陷大概能攒到多少张可用标注？边缘端延迟预算大概多少毫秒？