簡(jiǎn)介這份鋼鐵表面缺陷檢測(cè)圖像數(shù)據(jù)集面向從事機(jī)器視覺(jué)與工業(yè)質(zhì)檢研究的開(kāi)發(fā)者、學(xué)生及算法工程師用于訓(xùn)練和評(píng)估裂紋、銹蝕、凹坑、劃痕等表面缺陷的識(shí)別模型可作為課程實(shí)驗(yàn)、畢業(yè)設(shè)計(jì)或缺陷檢測(cè)算法對(duì)比的樣本來(lái)源。壓縮包為zip格式共約2000個(gè)文件主體是1800張jpg缺陷圖像并配有1400余個(gè)xml標(biāo)注文件與1400余個(gè)txt說(shuō)明文件另有data、names等配置項(xiàng)整體約26.81MB體積輕便易于本地加載。數(shù)據(jù)集已按訓(xùn)練、驗(yàn)證、測(cè)試等劃分整理每張圖像均帶類別標(biāo)簽可直接用于監(jiān)督學(xué)習(xí)下的模型訓(xùn)練與精度、召回率、F1分?jǐn)?shù)等指標(biāo)驗(yàn)證省去自行標(biāo)注與切分的成本。目前已有2453人學(xué)習(xí)下載適合希望快速搭建缺陷檢測(cè)基線并復(fù)現(xiàn)實(shí)驗(yàn)的讀者參考使用。1. 鋼鐵表面缺陷檢測(cè)圖像數(shù)據(jù)集1800 張帶標(biāo)簽圖像到底能撐起什么產(chǎn)線上跑視覺(jué)檢測(cè)的同行大概都遇到過(guò)這種局面算法框架搭好了模型結(jié)構(gòu)也調(diào)通了卡住的卻是數(shù)據(jù)——要么樣本量不夠要么缺陷類別標(biāo)注得含糊要么圖像質(zhì)量跟現(xiàn)場(chǎng)相機(jī)對(duì)不上。鋼鐵表面缺陷檢測(cè)圖像數(shù)據(jù)集1800 張圖像含標(biāo)簽這類資源解決的正是這個(gè)冷啟動(dòng)問(wèn)題。它面向的是熱軋、冷軋帶鋼表面常見(jiàn)的夾雜、劃痕、麻點(diǎn)、氧化皮壓入等缺陷類型圖像帶分類或檢測(cè)標(biāo)簽適合做基線模型訓(xùn)練、數(shù)據(jù)增強(qiáng)策略驗(yàn)證、以及小樣本條件下的遷移學(xué)習(xí)實(shí)驗(yàn)。如果你正在做工業(yè)質(zhì)檢方向的算法預(yù)研或者要給一條新產(chǎn)線快速搭一個(gè)能跑起來(lái)的缺陷識(shí)別原型這個(gè)量級(jí)的數(shù)據(jù)集是夠用的起點(diǎn)但如果你指望直接拿它上線那得先看清它的邊界在哪。2. 1800 張鋼鐵缺陷圖像的數(shù)據(jù)結(jié)構(gòu)與標(biāo)簽體系怎么讀拿到一個(gè)圖像數(shù)據(jù)集第一件事不是急著喂模型而是把目錄結(jié)構(gòu)、標(biāo)簽格式、類別分布摸清楚。1800 張這個(gè)量級(jí)說(shuō)大不大說(shuō)小也不小——如果類別均衡、標(biāo)注質(zhì)量過(guò)關(guān)訓(xùn)練一個(gè)中等規(guī)模的分類網(wǎng)絡(luò)綽綽有余但如果長(zhǎng)尾嚴(yán)重少數(shù)類可能只有幾十張直接訓(xùn)練必然翻車。所以這一章先把「怎么讀數(shù)據(jù)」講透再談怎么用。2.1 目錄結(jié)構(gòu)與標(biāo)簽文件的三種常見(jiàn)組織方式鋼鐵表面缺陷數(shù)據(jù)集常見(jiàn)的組織方式有三種按類別分文件夾class_name/*.jpg、圖像與標(biāo)注文件分離images/labels/、以及單文件 CSV/JSON 索引。前兩種在分類和檢測(cè)任務(wù)里最常見(jiàn)第三種多見(jiàn)于從標(biāo)注平臺(tái)導(dǎo)出的原始數(shù)據(jù)。不管你拿到的是哪種第一步都是寫(xiě)個(gè)腳本把結(jié)構(gòu)打印出來(lái)別靠肉眼翻文件夾。import os from collections import Counter def inspect_dataset(root): 打印數(shù)據(jù)集目錄結(jié)構(gòu)與文件類型分布 ext_counter Counter() class_counter Counter() for dirpath, dirnames, filenames in os.walk(root): for f in filenames: ext os.path.splitext(f)[1].lower() ext_counter[ext] 1 # 假設(shè)按類別分文件夾取父目錄名作為類別 parent os.path.basename(dirpath) if ext in (.jpg, .jpeg, .png, .bmp): class_counter[parent] 1 print(文件擴(kuò)展名分布:, dict(ext_counter)) print(各類別圖像數(shù)量:, dict(class_counter)) return class_counter # 用法把 root 換成你的數(shù)據(jù)集根目錄 # inspect_dataset(./steel_defect_dataset)這段腳本做兩件事統(tǒng)計(jì)文件擴(kuò)展名確認(rèn)圖像格式是否統(tǒng)一鋼鐵數(shù)據(jù)集里常見(jiàn) jpg 和 bmp 混用bmp 無(wú)損但體積大jpg 有壓縮偽影混用會(huì)影響模型對(duì)紋理的敏感度統(tǒng)計(jì)每個(gè)類別目錄下的圖像數(shù)量快速判斷類別均衡性。參數(shù)上沒(méi)什么可調(diào)的root指向數(shù)據(jù)集根目錄即可。跑完之后你會(huì)得到一張類別分布表如果發(fā)現(xiàn)某個(gè)類別少于 100 張后面訓(xùn)練時(shí)就得考慮過(guò)采樣或類別加權(quán)。2.2 類別分布統(tǒng)計(jì)與長(zhǎng)尾問(wèn)題的量化判斷1800 張圖像如果分 6 類平均每類 300 張聽(tīng)起來(lái)還行但實(shí)際工業(yè)數(shù)據(jù)集往往不是均勻分布——正常樣本可能占一半某些罕見(jiàn)缺陷只有幾十張。長(zhǎng)尾問(wèn)題不量化就沒(méi)法決策所以得算兩個(gè)指標(biāo)最大類與最小類的比值不平衡比以及每類樣本數(shù)是否低于某個(gè)閾值。指標(biāo)計(jì)算方式判斷標(biāo)準(zhǔn)處理建議不平衡比最大類數(shù)量 / 最小類數(shù)量 10 視為嚴(yán)重長(zhǎng)尾過(guò)采樣 類別加權(quán)損失最小類樣本數(shù)直接統(tǒng)計(jì) 100 張需警惕數(shù)據(jù)增強(qiáng)或遷移學(xué)習(xí)類別數(shù)標(biāo)簽去重610 類較常見(jiàn)過(guò)多則考慮合并細(xì)類我一般會(huì)先跑一遍統(tǒng)計(jì)把不平衡比算出來(lái)。如果比值在 3 以內(nèi)直接訓(xùn)練問(wèn)題不大3 到 10 之間用加權(quán)交叉熵就能壓住超過(guò) 10光靠損失函數(shù)不夠得在數(shù)據(jù)層面做文章——對(duì)少數(shù)類做旋轉(zhuǎn)、翻轉(zhuǎn)、亮度擾動(dòng)或者用切圖crop把大圖里的缺陷區(qū)域裁出來(lái)擴(kuò)充樣本。鋼鐵缺陷有個(gè)特點(diǎn)劃痕和夾雜在紋理上差異明顯但麻點(diǎn)和氧化皮壓入在低分辨率下容易混淆所以增強(qiáng)時(shí)別過(guò)度模糊否則類間邊界更糊。2.3 標(biāo)簽格式轉(zhuǎn)換從分類目錄到檢測(cè)標(biāo)注的落地路徑如果標(biāo)簽是按類別分文件夾給的那它天然適合分類任務(wù)但很多鋼鐵缺陷檢測(cè)場(chǎng)景需要的是邊界框這時(shí)候就得看數(shù)據(jù)集是否附帶檢測(cè)標(biāo)注如 VOC XML 或 YOLO txt。如果只有分類標(biāo)簽?zāi)阌袃蓷l路一是先做分類基線驗(yàn)證特征可分性二是用弱監(jiān)督或人工補(bǔ)標(biāo)的方式生成框標(biāo)注。常見(jiàn)做法是先用分類模型跑一遍看混淆矩陣再?zèng)Q定要不要投入標(biāo)注成本。import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, img_w, img_h, class_map): 將 VOC 格式 XML 轉(zhuǎn)為 YOLO txt 格式 tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in class_map: continue cls_id class_map[cls_name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # YOLO 格式中心點(diǎn)坐標(biāo) 寬高均歸一化到 0~1 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) return lines # class_map 示例{scratch: 0, inclusion: 1, pitted: 2}轉(zhuǎn)換邏輯不復(fù)雜但有兩個(gè)坑一是圖像尺寸必須和 XML 里記錄的一致如果數(shù)據(jù)集做過(guò)縮放而 XML 沒(méi)同步更新歸一化坐標(biāo)會(huì)全錯(cuò)二是類別名到 ID 的映射必須固定別在不同腳本里各寫(xiě)一套否則訓(xùn)練時(shí)標(biāo)簽錯(cuò)位模型學(xué)出來(lái)的東西完全是玄學(xué)。參數(shù)上img_w和img_h建議直接從圖像文件讀取別硬編碼。3. 用這 1800 張圖訓(xùn)練缺陷分類基線從切分到首輪評(píng)估數(shù)據(jù)摸清楚了接下來(lái)就是跑一個(gè)能出數(shù)的基線。1800 張圖不算多別一上來(lái)就上大模型先用輕量網(wǎng)絡(luò)把流程跑通拿到混淆矩陣和每類 F1再?zèng)Q定往哪個(gè)方向加投入。這一章按「切分 → 訓(xùn)練 → 評(píng)估 → 看錯(cuò)例」的順序走每一步都給可復(fù)現(xiàn)的配置。3.1 訓(xùn)練集/驗(yàn)證集/測(cè)試集切分的分層策略圖像分類任務(wù)最常見(jiàn)的翻車點(diǎn)之一是切分不分層——隨機(jī)切完之后驗(yàn)證集里某個(gè)類別一張都沒(méi)有評(píng)估結(jié)果完全不可信。鋼鐵缺陷數(shù)據(jù)尤其要注意如果按文件夾隨機(jī)抽少數(shù)類很容易在驗(yàn)證集里消失。正確做法是按類別分層抽樣保證每個(gè)集合里各類別比例接近原始分布。import os import random import shutil from collections import defaultdict def stratified_split(root, out_root, ratios(0.7, 0.15, 0.15), seed42): 按類別分層切分?jǐn)?shù)據(jù)集為 train/val/test random.seed(seed) class_files defaultdict(list) for cls in os.listdir(root): cls_dir os.path.join(root, cls) if not os.path.isdir(cls_dir): continue for f in os.listdir(cls_dir): if f.lower().endswith((.jpg, .png, .bmp)): class_files[cls].append(os.path.join(cls_dir, f)) for cls, files in class_files.items(): random.shuffle(files) n len(files) n_train int(n * ratios[0]) n_val int(n * ratios[1]) splits { train: files[:n_train], val: files[n_train:n_train n_val], test: files[n_train n_val:] } for split, split_files in splits.items(): dst os.path.join(out_root, split, cls) os.makedirs(dst, exist_okTrue) for f in split_files: shutil.copy(f, dst) # stratified_split(./steel_defect_dataset, ./split_dataset)這段腳本的關(guān)鍵在defaultdict那一步先按類別把文件歸組再在組內(nèi)打亂切分保證每個(gè)集合都覆蓋所有類別。ratios默認(rèn) 7:1.5:1.51800 張圖對(duì)應(yīng)訓(xùn)練集約 1260 張、驗(yàn)證和測(cè)試各約 270 張。如果某個(gè)類別總數(shù)不到 20 張切完之后測(cè)試集可能只剩兩三張這時(shí)候建議把比例調(diào)成 8:1:1或者對(duì)少數(shù)類做留一法評(píng)估。seed固定住保證每次切分結(jié)果一致方便復(fù)現(xiàn)。3.2 輕量卷積網(wǎng)絡(luò)的首輪訓(xùn)練配置與關(guān)鍵超參基線模型我一般選 ResNet18 或 MobileNetV3-Small輸入尺寸 224×224batch size 32初始學(xué)習(xí)率 1e-3優(yōu)化器用 AdamW訓(xùn)練 30 個(gè) epoch 起步。鋼鐵缺陷的紋理特征比較細(xì)輸入尺寸別壓得太狠160×160 以下劃痕類缺陷容易丟細(xì)節(jié)。數(shù)據(jù)增強(qiáng)用隨機(jī)水平翻轉(zhuǎn)、±15 度旋轉(zhuǎn)、亮度對(duì)比度擾動(dòng)別用太激進(jìn)的裁剪否則缺陷區(qū)域可能被裁掉。import torch import torch.nn as nn from torchvision import models, transforms # 數(shù)據(jù)增強(qiáng)與歸一化 train_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # 加載預(yù)訓(xùn)練 ResNet18替換分類頭 model models.resnet18(weightsIMAGENET1K_V1) num_classes 6 # 按實(shí)際類別數(shù)修改 model.fc nn.Linear(model.fc.in_features, num_classes) # 類別加權(quán)損失緩解長(zhǎng)尾 class_weights torch.tensor([1.0, 1.5, 2.0, 1.2, 3.0, 1.8]) # 按類別頻率反比設(shè)置 criterion nn.CrossEntropyLoss(weightclass_weights) optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4)weightsIMAGENET1K_V1表示用 ImageNet 預(yù)訓(xùn)練權(quán)重初始化這在 1800 張的小數(shù)據(jù)集上是關(guān)鍵——從零訓(xùn)練幾乎必然過(guò)擬合。class_weights那行要按你實(shí)際的類別分布來(lái)調(diào)頻率越低的類權(quán)重越高但別超過(guò) 5否則少數(shù)類的梯度會(huì)主導(dǎo)更新把多數(shù)類的性能拉垮。學(xué)習(xí)率 1e-3 配合 AdamW 是比較穩(wěn)的起點(diǎn)如果 loss 在前幾個(gè) epoch 震蕩厲害降到 5e-4。3.3 混淆矩陣與每類 F1 的讀法判斷數(shù)據(jù)集能不能用訓(xùn)練跑完別只看總體準(zhǔn)確率。1800 張圖里如果正常樣本占一半模型全猜正常也能有 50% 準(zhǔn)確率這個(gè)數(shù)沒(méi)有意義。真正要看的是混淆矩陣和每類 F1。鋼鐵缺陷里最容易混的是麻點(diǎn)和氧化皮壓入——兩者在灰度圖上都表現(xiàn)為暗斑區(qū)別在邊緣銳度和分布密度。如果這兩類的混淆矩陣對(duì)角線很淡說(shuō)明要么標(biāo)注邊界不清要么分辨率不夠這時(shí)候加數(shù)據(jù)不如先回頭查標(biāo)注一致性。評(píng)估指標(biāo)關(guān)注點(diǎn)異常信號(hào)每類召回率少數(shù)類是否被漏檢某類召回 0.5 需查樣本量每類精確率誤檢集中在哪兩類之間兩類互相混淆說(shuō)明特征重疊宏平均 F1類別不均衡下的整體表現(xiàn)與準(zhǔn)確率差距大說(shuō)明長(zhǎng)尾嚴(yán)重我一般會(huì)把混淆矩陣畫(huà)出來(lái)盯著非對(duì)角線上的大數(shù)看。如果發(fā)現(xiàn)某兩類互相錯(cuò)得厲害先別急著調(diào)模型把錯(cuò)例圖調(diào)出來(lái)看幾張——很多時(shí)候是標(biāo)注本身就有歧義模型只是忠實(shí)地學(xué)了噪聲。4. 鋼鐵缺陷檢測(cè)的避坑清單五條血淚經(jīng)驗(yàn)這一章單獨(dú)拎出來(lái)講踩坑因?yàn)殇撹F表面缺陷這個(gè)場(chǎng)景有幾個(gè)特有的陷阱不提前說(shuō)清楚后面調(diào)參調(diào)到頭禿也找不到原因。下面五條都是實(shí)際做下來(lái)反復(fù)遇到的按「現(xiàn)象 → 原因 → 解決」寫(xiě)。4.1 圖像分辨率與現(xiàn)場(chǎng)相機(jī)不匹配導(dǎo)致指標(biāo)虛高現(xiàn)象離線訓(xùn)練集上 F1 跑到 0.92換到現(xiàn)場(chǎng)相機(jī)采的圖直接掉到 0.6。原因數(shù)據(jù)集里的圖像可能是經(jīng)過(guò)裁剪或縮放的分辨率和現(xiàn)場(chǎng)采集的不一致模型學(xué)到的紋理尺度對(duì)不上。解決訓(xùn)練前統(tǒng)一確認(rèn)圖像的實(shí)際物理分辨率每毫米像素?cái)?shù)如果現(xiàn)場(chǎng)相機(jī)參數(shù)不同在預(yù)處理里加一步重采樣把尺度對(duì)齊另外在驗(yàn)證集里混入少量現(xiàn)場(chǎng)圖做域適應(yīng)評(píng)估別只看公開(kāi)集的數(shù)。4.2 標(biāo)簽噪聲同一類缺陷在不同圖像里標(biāo)注口徑不一致現(xiàn)象模型對(duì)某一類的預(yù)測(cè)忽好忽壞混淆矩陣?yán)镌擃惙稚⒌蕉鄠€(gè)類。原因標(biāo)注時(shí)對(duì)類別邊界定義不統(tǒng)一比如有的標(biāo)注者把淺劃痕歸到劃痕有的歸到麻點(diǎn)。解決抽 50 張圖人工復(fù)核統(tǒng)計(jì)類間歧義比例如果超過(guò) 10%要么合并細(xì)類要么重新制定標(biāo)注規(guī)范再補(bǔ)標(biāo)。鋼鐵缺陷的類別定義最好帶圖示說(shuō)明光靠文字描述不同人理解差異很大。4.3 過(guò)度依賴亮度增強(qiáng)把缺陷特征抹掉現(xiàn)象加了 ColorJitter 之后驗(yàn)證集指標(biāo)反而降了。原因鋼鐵缺陷很多是靠灰度對(duì)比度區(qū)分的亮度擾動(dòng)過(guò)大把弱缺陷的信號(hào)壓沒(méi)了。解決亮度擾動(dòng)幅度控制在 ±0.1 以內(nèi)對(duì)比度擾動(dòng)可以稍大但別和亮度同時(shí)拉滿更好的做法是用直方圖均衡化做預(yù)處理而不是在增強(qiáng)里隨機(jī)改亮度。4.4 小樣本類別直接過(guò)采樣導(dǎo)致過(guò)擬合現(xiàn)象少數(shù)類召回上去了但精確率崩了誤檢大量增加。原因簡(jiǎn)單復(fù)制少數(shù)類樣本模型記住了具體圖像而不是特征。解決用過(guò)采樣時(shí)配合強(qiáng)增強(qiáng)旋轉(zhuǎn)、彈性變形或者改用 focal loss 讓模型聚焦難樣本更穩(wěn)的做法是先做遷移學(xué)習(xí)用預(yù)訓(xùn)練特征凍結(jié)前幾層只微調(diào)分類頭。4.5 訓(xùn)練/測(cè)試切分時(shí)同一張?jiān)瓐D的增強(qiáng)版本跨集泄漏現(xiàn)象測(cè)試集指標(biāo)好得不真實(shí)換一批新圖就露餡。原因先做數(shù)據(jù)增強(qiáng)再切分同一張?jiān)瓐D的不同增強(qiáng)版本同時(shí)出現(xiàn)在訓(xùn)練集和測(cè)試集。解決切分必須在增強(qiáng)之前做按原圖 ID 分組切分保證同一原圖的所有變體只落在一個(gè)集合里。這個(gè)坑在圖像分類里特別隱蔽因?yàn)樵鰪?qiáng)后的圖看起來(lái)不一樣但模型其實(shí)見(jiàn)過(guò)原圖。5. 從 1800 張到產(chǎn)線可用小樣本下的遷移與驗(yàn)證技巧1800 張圖做原型夠用但離產(chǎn)線還有距離。這一章講兩個(gè)進(jìn)階方向怎么用遷移學(xué)習(xí)把有限樣本的效用榨干以及怎么設(shè)計(jì)一套能說(shuō)服自己的驗(yàn)證流程。最后給一個(gè)我常用的技巧——用「留出產(chǎn)線批次」做最終檢驗(yàn)而不是只看隨機(jī)切分的測(cè)試集。5.1 凍結(jié)策略與分層學(xué)習(xí)率的實(shí)操配置小數(shù)據(jù)集上微調(diào)預(yù)訓(xùn)練模型凍結(jié)多少層很關(guān)鍵。全凍結(jié)只訓(xùn)分類頭收斂快但特征適配不足全解凍又容易過(guò)擬合。我一般分三段前兩個(gè) stage 凍結(jié)第三個(gè) stage 和分類頭用較小學(xué)習(xí)率1e-4分類頭本身用 1e-3。這樣底層通用特征不動(dòng)中層紋理特征小幅調(diào)整分類頭快速適配新類別。# 分層學(xué)習(xí)率凍結(jié)前兩層其余層用小學(xué)習(xí)率 for name, param in model.named_parameters(): if layer1 in name or layer2 in name: param.requires_grad False optimizer torch.optim.AdamW([ {params: [p for n, p in model.named_parameters() if fc in n], lr: 1e-3}, {params: [p for n, p in model.named_parameters() if fc not in n and p.requires_grad], lr: 1e-4} ], weight_decay1e-4)這段配置的核心是把分類頭和骨干網(wǎng)絡(luò)分開(kāi)設(shè)學(xué)習(xí)率。requires_grad False凍掉前兩層減少可訓(xùn)練參數(shù)1800 張圖不至于把整個(gè)網(wǎng)絡(luò)帶偏。如果驗(yàn)證集指標(biāo)在 10 個(gè) epoch 內(nèi)不漲可以把 layer3 也解凍試試但學(xué)習(xí)率再降一檔。5.2 用留出批次驗(yàn)證代替隨機(jī)切分更接近產(chǎn)線的評(píng)估方式隨機(jī)切分的測(cè)試集有個(gè)問(wèn)題同一批生產(chǎn)條件下拍的圖外觀高度相似隨機(jī)切分會(huì)讓訓(xùn)練集和測(cè)試集共享大量相似紋理指標(biāo)偏樂(lè)觀。更接近真實(shí)的做法是按采集批次留出——比如按時(shí)間段或鋼卷編號(hào)分組留出整批做測(cè)試。這樣能暴露模型對(duì)光照變化、批次間表面狀態(tài)差異的敏感度。具體操作是在切分腳本里加一個(gè)group_key參數(shù)按組切而不是按文件切。驗(yàn)證方式優(yōu)點(diǎn)局限適用階段隨機(jī)分層切分實(shí)現(xiàn)簡(jiǎn)單類別均衡指標(biāo)偏樂(lè)觀基線快速驗(yàn)證按批次留出接近產(chǎn)線分布偏移需要批次元信息上線前評(píng)估跨域測(cè)試檢驗(yàn)泛化邊界需額外數(shù)據(jù)源模型選型對(duì)比5.3 一個(gè)習(xí)慣先看錯(cuò)例再調(diào)參最后說(shuō)個(gè)我自己的習(xí)慣。每次指標(biāo)不達(dá)預(yù)期我第一件事不是改學(xué)習(xí)率或換模型而是把錯(cuò)例圖導(dǎo)出來(lái)看二十張。鋼鐵缺陷的錯(cuò)例往往能直接告訴你問(wèn)題在哪——如果錯(cuò)例全是低對(duì)比度的麻點(diǎn)那是預(yù)處理對(duì)比度不夠如果錯(cuò)例集中在圖像邊緣那是切圖時(shí)缺陷被截?cái)嗳绻e(cuò)例的標(biāo)注框明顯偏了那是標(biāo)注質(zhì)量問(wèn)題調(diào)模型純屬白費(fèi)功夫。這個(gè)習(xí)慣幫我省下的時(shí)間比任何調(diào)參技巧都多。數(shù)據(jù)量不大的時(shí)候人對(duì)錯(cuò)例的直覺(jué)比指標(biāo)更可靠。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取