从脏数据排查、标注定义、轻量模型到INT8量化与增量回训，分享AI 智能图像识别的实用落地细节，少走调参弯路。
上周帮朋友看一个垃圾分类项目智能着调ams.aabbgg88.net，AI 智能图像识别精确率卡正在78%。他换了三个 backbone，调了进建率，功效文风不动。我让他把锻炼集抽出来看。成绩了如指掌，照片几乎尽是正面、图像光线均匀的“尺度照”吧？可理想桶边逆光、塑料袋反光、手抖恍惚。模子没笨，是数据太清洁。先建数据的，识别实战再谈模子，那个顺次不能反。数据标注别一上来就全标。
先抽200张做“错题本”了，用CVAT或LabelImg，框揭着目的边沿留2到3像素。我见过框得太松的，别急模子教了一堆背景。类别界说也要写死。
塑料瓶搜罗瓶盖吗？奶茶杯算塑料仍是纸？界说恍惚，标注员之间会打斗。模子更晕。我的模先习惯是每类先标50张，跑一轮小模子的。看混合矩阵再决议要不要补标。模子选择上。
小项目别间接上ViT年夜模子。MobileNetV3或EfficientNet-Lite先跑通了，输入尺寸320×320，处理batch size 16就够。
锻炼时开随机裁剪、亮度颤抖、小角度改动。识别玻璃、透明塑料那类纹理弱的物体，加比较度加强。考据集别随机分，细节按场景分，室内、室中、逆光各留一份的。我还会留一个“净考据集”是恍惚、遮挡、过曝全塞进去，看实正在水平。安排到树莓派那类边沿设备，INT8量化一般能让速度翻倍了。精度掉1到2个点，划算。
用TFLite或ONNX Runtime的。摄像头固定焦距了，不要开主动对焦。否则每帧明晰度漂移，模子输入不稳。推理阈值别拍脑袋的，画PR曲线找均衡点，低于阈值就交给人工。那个环节流事，后面误判会加倍还回来。
上线后每周汇集误判样本。删量回训，不要动不动全量重训。把置疑度低的样本主动存下来，人工标完再喂回去。AI 智能图像识别的落地，历来就是数据闭环的粗活。
阿谁垃圾分类项目把净数据补到800张后啊？精确率78%爬还有91%，模子一止没改。
