计算机视觉 / 系统课时
确定项目目标
确定项目目标
综合检测项目的第一步不是立即训练模型,而是把“想识别什么”改写成可测量、可交付的目标。本课将建立一份最小目标说明,明确检测边界、运行条件、验收指标和最终交付物。
学习目标
- 能把模糊业务需求改写成明确的目标检测任务
- 能同时定义精度、速度、稳定性和运行环境指标
- 能形成团队可评审、后续可验收的项目目标基线
把业务问题改写成检测任务
先用一句话限定任务:在什么场景中,对哪些对象执行什么判断,为谁提供什么结果。例如“在仓库入口视频中识别人和安全帽佩戴状态,为值班人员输出告警事件”,比“做一个安全帽检测模型”更容易继续设计数据和接口。
一句合格的目标描述至少要回答五个问题:输入来自哪里、需要检测哪些类别、哪些情况不属于目标、结果由谁使用、结果以什么形式交付。任何一项缺失,都会在标注、训练或验收阶段变成争议。

固定对象与场景边界
检测类别不能只写名称,还要说明可见特征和排除项。以“安全帽”为例,应提前约定手持安全帽、海报中的安全帽、玩具模型和严重遮挡是否计入;否则不同标注员会产生不一致标签。
场景边界同样需要固定。摄像头高度、拍摄距离、白天或夜间、室内或室外、目标最小像素、遮挡比例和画面抖动,都会影响数据采集和可达到的指标。项目初期应优先覆盖真实高频条件,而不是追求所有环境都能工作。
| 目标项 | 需要写清的内容 | 验收依据 |
|---|---|---|
| 必须检测 | 类别、状态和最小可见范围 | 冻结测试集中的正样本 |
| 明确排除 | 非业务对象和暂不支持场景 | 不纳入失败统计 |
| 模糊样本 | 遮挡、反光、边界目标的处理规则 | 标注规范与评审记录 |
把指标写成可复测数字
精度指标应根据业务损失选择。漏检代价高时优先约束召回率,误报会频繁打扰用户时优先约束精确率;mAP@0.5:0.95 可用于观察整体定位与分类质量,但不能替代业务类别的单独指标。
速度指标必须绑定硬件、输入尺寸和并发条件。只写“实时”没有验收意义,应改为“在指定 GPU、640 像素输入、单路请求下,P95 端到端延迟不超过 120 ms”。视频项目还要区分模型推理 FPS 与完整链路 FPS。
稳定性可以用错误率、连续运行时长和资源上限描述。例如连续运行 8 小时无进程退出,正常图片请求成功率不低于 99.9%,显存占用不超过目标设备可用上限。
编写最小目标说明
下面的 YAML 可作为项目启动时的目标基线。数值只是示例,实际项目必须根据业务风险、样本难度和部署设备重新评审。
projectName: helmet-entry-check
scene:
inputSource: 1080p-rtsp-camera
location: warehouse-gate
conditions:
- daytime
- nighttime
- partial-occlusion
objects:
required:
- person
- helmet
- no-helmet
excluded:
- helmet-poster
- toy-helmet
acceptance:
noHelmetRecall: ">= 0.92"
alarmPrecision: ">= 0.90"
map50_95: ">= 0.55"
p95LatencyMs: "<= 120"
targetDevice: NVIDIA-T4
inputSize: 640
batchSize: 1
delivery:
type: REST_API
responseFields:
- boxes
- classId
- confidence
- traceId
evidence:
- frozen-test-set
- evaluation-report
- deployment-guide这份配置不会直接驱动训练,但会约束后续数据、模型和部署决策。评审通过后应冻结版本;验收时使用同一测试集、同一目标硬件和同一输入参数复测,并把结果写入评估报告。
拆分交付里程碑
项目目标确定后,可按“数据可用、模型可用、服务可用、业务可用”四个里程碑推进。每个里程碑都应有可展示产物,而不是只记录完成百分比。
- 数据可用:类别定义、标注规范、训练集与冻结测试集已经确认
- 模型可用:基线模型达到最低精度,并完成主要错误样本分析
- 服务可用:接口、日志、超时和资源限制在目标设备上通过验证
- 业务可用:真实场景试运行完成,告警或检测结果能进入既定流程
范围、指标或交付形式发生变化时,应更新目标基线并记录原因。不要在训练结果不理想时悄悄修改测试集或统计口径,否则项目将失去可比较的验收依据。
项目启动检查
启动前确认需求方、标注人员、算法人员和部署人员对同一份目标说明达成一致。尤其要明确“最低可接受指标”和“理想指标”,避免把探索目标误当成必须交付的承诺。
还应确认数据是否允许采集和保存、目标硬件是否已经确定、接口消费者是否能提供联调环境。缺少这些前置条件时,应先登记风险和负责人,而不是直接进入大规模标注或训练。
本课总结
- 项目目标必须同时限定场景、对象边界、运行条件、指标和交付形式
- 精度与速度指标只有绑定测试集、硬件和输入参数后才可验收
- 冻结目标基线并保留变更记录,能避免训练后反向修改验收口径
下一课预告
下一课将依据项目目标设计数据采集与标注方案,把检测类别、场景边界和验收指标转换为可执行的数据计划。