目标检测落地：从数据标注到模型部署的完整链路

目标检测落地踩坑不少，梳理完整链路：

1. 数据：标注质量 > 数量，边界框一致性比样本量更重要；
2. 模型：YOLO 系列是工程首选，平衡速度和精度；
3. 训练：数据增强要贴合实际场景，别用不相关的增强；
4. 部署：量化 + TensorRT 加速，端侧要测实际帧率而非理论值。

最大的坑是训练集和实际场景分布不一致——实验室效果很好，上线就掉点。

大家检测项目踩过什么坑？

成本控制里最有效的其实是早停和重复检测。我们加了一个「相同调用签名重复 N 次即终止」的机制，直接砍掉了大部分异常消耗。

模型分级路由要注意效果校验，便宜模型在某些步骤的错误率明显更高，可能引发后续步骤连锁失败。分级要按步骤实测后再定。