Skip to main content

10.6.1 项目路线图：构建视觉证据包

计算机视觉项目不是“我用了一个模型”，而是数据、标注、模型输出、指标、失败案例和展示的闭环。

先看项目闭环​

视觉任务输出粒度递进图

视觉项目交付闭环图

计算机视觉证据包图

如果需要最快跑通完整闭环，从分类开始；需要框就进入检测，需要 mask 就进入分割，OCR/视频/3D 适合专门场景。

跑一个项目就绪检查​

在称为可展示项目前，先跑这个检查。

project = {
    "task": "helmet detection",
    "has_data_note": True,
    "has_metric": True,
    "has_failure_case": True,
    "has_annotation_rule": True,
}

ready = all(project[key] for key in ["has_data_note", "has_metric", "has_failure_case", "has_annotation_rule"])

print("task:", project["task"])
print("presentable:", ready)

预期输出：

task: helmet detection
presentable: True

如果项目没有标注规则或失败案例，它仍然只是 Demo，不是作品集项目。

按这个顺序学​

步骤项目类型证据
1分类数据划分、accuracy/F1、混淆样例
2检测框标注、IoU/mAP、误报和漏检
3分割masks、IoU/Dice、边界失败
4行业场景风险说明、用户影响、部署想法
5实操工作坊在大项目页前先跑可复现迷你流水线

扩展项目前，先运行 10.6.4 实操：构建可复现视觉迷你流水线。

项目交付物标准​

交付物最低要求更强的作品集版本
README目标、运行命令、依赖、示例增加任务边界、数据来源、部署想法
数据与标注图像来源、类别列表、标注格式增加标注示例、质量检查、偏差说明
结果至少 1 张输入图和预测结果增加正确、误报、漏检、边界案例
评估Accuracy、F1、mAP、IoU、Dice 或 OCR 命中率按类别、场景、光照、清晰度做错误分析
失败分析至少 1 个真实失败增加疑似原因、修复动作、回归检查
展示截图或短 GIF 证明能运行构建清晰的视觉项目页面

通过标准​

如果你的视觉项目可复现，有清晰数据和标注规则，报告合适指标，并展示模型在哪里失败，就通过了本章。