说明从现场图片采集、人工复核、样本入库到模型迭代的闭环流程，让视觉模型可以持续适应产线变化。
这篇文档不是概念介绍，而是优易云在软件、硬件、物联网和 AI 项目交付中整理出的工程检查项。它更适合在立项评估、方案评审、开发联调和上线验收前阅读，用来帮助团队提前识别风险，避免把问题留到现场或正式发布后才处理。
适用场景
适用于电子制造、包装检测、金属表面检测和实验室设备外观检查等场景。 如果你的项目同时涉及现场设备、业务系统、数据看板或多角色协同，建议在需求阶段就把这些问题写进验收清单，而不是等开发完成后再补。
实施前检查清单
- 保存原图、裁剪图、推理结果和人工确认结果
- 区分误报、漏报、疑似样本和新增缺陷类型
- 为样本增加设备、批次、光源和时间字段
- 固定训练集、验证集和回归测试集
- 上线前保留旧模型回滚能力
推荐实施步骤
- 定义样本字段和留存周期
- 让复核页面能一键标记样本类型
- 定期抽样检查标注质量
- 训练新模型后先跑历史回归集
- 小范围灰度后再替换正式模型
常见误区
- 只存缺陷图不存正常图
- 复核结果没有结构化
- 每次训练都换验证集
- 上线没有灰度和回滚
交付建议
优易云通常会把这类工作拆成“现状盘点、关键路径验证、小范围试运行、正式上线、持续迭代”几个阶段。这样做的好处是每个阶段都能留下可验收的产物，例如字段表、点位表、接口文档、模型报告、部署脚本、日志样例和用户反馈记录。
如果项目涉及 视觉检测、数据闭环、样本标注、模型迭代，建议把技术指标翻译成业务人员能理解的验收语言。例如“响应时间”“在线率”“识别准确率”“同步失败率”都要对应到真实流程中的影响，而不是只留在技术文档里。
结论
数据闭环决定视觉模型能不能长期使用，现场样本管理比一次性训练更重要。 对多数企业项目来说，真正降低风险的不是堆更多功能，而是让边界、数据、异常和责任人尽早清楚。
