AI识别输入与模型输出
背景
AI识别能否在无人机项目中落地，首先取决于输入数据是否稳定，其次才是模型本身。输出结果也必须能被平台展示、复核和回传。
核心概念
- 输入数据：照片、视频、抽帧、实时流、历史影像。
- 辅助数据：时间戳、经[坐标已隐藏]高度、云台角、任务ID。
- 输出结果：类别、置信度、检测框、分割轮廓、证据图、结果ID。
- 业务状态：待复核、已确认、误报、已处置、已归档。
项目落地关注点
- 不同场景的目标尺寸、拍摄高度、角度差异很大，不能共用一个验收口径。
- 实时流识别要关注延迟和断流恢复；离线识别要关注批量处理和结果追溯。
- 模型输出如果没有证据图和原始媒体关联，很难支撑人工复核。
数据/接口要点
| 字段 | 说明 |
|---|---|
| resultId | AI结果唯一标识 |
| taskId | 关联巡检任务 |
| mediaId | 关联照片、视频或抽帧 |
| category | 识别类别 |
| confidence | 置信度 |
| bbox/polygon | 检测框或轮廓 |
| timestamp | 识别帧或照片时间 |
验收/风险
- 验收时要保留原始输入、模型输出和人工复核结果。
- 只看命中样例容易高估效果，应记录误报和漏报。
- 置信度阈值不是越高越好，要结合业务容忍度调整。
待补充
- 补充各场景目标类别字典。
- 补充模型输出JSON样例。
关联文章
落地经验见公众号：[[第八篇-YOLO落地全流程]] · [[第四十三篇-我现在做YOLO数据集已经不再一帧一帧标了]] · [[第四十四篇-一张航拍图里有很多工程车YOLO为什么只认出一两辆]]