做 YOLO 数据集，为什么不能只盯着模型

模型效果不好时，大家很容易先看模型。

换一个权重，调一组阈值，换一版训练参数。这些当然有用，但在无人机巡检项目里，我现在会先往前看一层。

这批图怎么来的。哪些帧被留下。标签是谁定的。标注有没有复核。平台里配置的类别，和训练数据里的类别是不是同一套。

很多问题不是模型那一刻才出现的。

样本先决定了模型能看见什么

无人机画面里的目标变化很大。同一个目标，在低空、斜拍、俯拍、远距离、逆光、遮挡、压缩后的视频帧里，长得都不一样。

如果数据集只收了最清楚、最正、最容易认的图，训练结果在演示样例里会很好看。到了真实巡检，模型就开始犹豫。

尤其是小目标。飞得高一点，车、围挡、坑塘边界都会变小。人眼觉得还能看见，模型拿到的像素已经很少。

所以数据集建设不能只问有多少张图，还要问这些图覆盖了哪些角度、距离、光照和遮挡。

视频抽帧很容易让人产生一种安全感。帧数一多，样本量看起来就上来了。

但相邻帧高度相似。连续抽太多，只是在重复同一个场景。模型看到很多张几乎一样的图，实际学到的变化并不多。

我更愿意把抽帧和筛帧分开。

没有筛帧和复核，抽帧越多，后面越难管。

我遇到过一种很烦的问题。数据集里一个叫法，模型配置里一个叫法，业务页面上又是另一个叫法。模型可能已经认出来了，但平台不知道它属于哪个业务类别。

这会带来几类后果。

所以模型版本启用前，要先核对数据集标签、模型版本标签、平台业务字典和前端展示名称。

这件事听起来像配置工作，实际是 AI 工程能力的一部分。

一批模型拿来验收，如果只看命中的样例，很容易过于乐观。

我现在更关心三类样本。

这些结果要回到数据集里。该补样本补样本，该改标签改标签，该调业务阈值调业务阈值。

YOLO 项目别把数据集当成训练前的准备材料。它是整个识别链路的一部分。

模型能不能用，很多时候从第一批样本怎么选、标签怎么定、复核怎么做时就已经开始决定了。