第一次训练YOLO模型效果不佳：从数据采集、标注到模型优化的反思

完成螺丝检测 Demo 的数据采集和标注后，我开始进行第一次模型训练。

当时采用 YOLO 系列目标检测算法作为检测方案，目标是实现不同规格螺丝的自动识别、数量统计以及混料判断。

项目使用的是海康机器人 500 万像素工业相机进行图像采集。

第一次训练完成后，我发现模型效果并没有达到预期。虽然模型能够检测出部分螺丝目标，但在实际测试过程中仍然存在一些问题：

• 外观相似的不同型号螺丝存在误识别；
• 螺丝密集排列时检测框容易遗漏；
• 金属表面反光区域会影响模型判断。

刚开始遇到这些问题时，我第一反应是调整模型参数或者更换网络结构。

但经过分析后，我发现工业视觉项目中，模型效果不好并不一定是模型本身的问题。

因此，我开始重新检查整个目标检测流程。

回头检查数据采集

首先，我重新分析了数据集。

在学校实验中，数据集通常已经准备完成，我们更多关注模型训练过程。但在工业项目中，数据来源决定了模型能够学习到什么。

但对于实际生产中的复杂情况覆盖，例如：

• 部分图片中螺丝排列状态比较单一；
• 某些型号螺丝的样本数量不足；
• 缺少不同角度、不同姿态下的样本；
• 对反光、遮挡等异常情况覆盖不足。

模型并不是无法学习，而是训练数据没有充分包含真实生产中的各种情况。

检查数据标注质量

除了数据数量，标注质量也是影响模型效果的重要因素。

目标检测模型学习的是图像中的目标特征和对应标签，如果标注存在问题，模型学习到的信息就会出现偏差。

因此，我重新检查了已有标注：

• 检查目标框是否完整覆盖螺丝；
• 检查不同类别标签是否准确；
• 检查是否存在漏标或者错标情况；
• 统一不同图片中的标注标准。

通过重新整理数据，我进一步认识到：

工业视觉项目中，数据标注不是简单地“画框”，而是在告诉模型什么是目标，什么情况下属于不同类别。

分析模型评价指标

在重新检查数据之后，我开始关注模型评价指标，而不是只观察检测图片效果。

目标检测模型通常通过 Precision、Recall、mAP 等指标评价性能。

其中：

• Precision（准确率）反映检测结果中有多少是真正目标；
• Recall（召回率）反映真实目标中有多少被模型检测出来；
• mAP 综合评价模型整体检测能力。

在螺丝检测场景中，漏检问题通常比误检更加影响生产，因此 Recall 是重点关注指标之一。

例如：

如果模型把不存在的目标误认为螺丝，可能造成一次错误判断；

但如果真实存在的螺丝没有检测出来，可能导致数量统计错误或者混料漏检。

因此，在优化过程中，需要根据实际生产需求调整 Precision 和 Recall 之间的平衡。

调整训练策略

完成数据检查后，我开始重新调整训练方案。

主要优化方向包括：

1. 增加现场样本数量，提高数据多样性；
2. 针对小目标和密集排列问题，加强相关样本训练；
3. 使用数据增强方法，提高模型对不同环境的适应能力；
4. 调整训练参数，包括学习率、训练轮数、输入尺寸等；
5. 根据实际检测效果调整置信度阈值和 NMS 参数。

经过多轮实验，我逐渐发现，工业视觉算法优化并不是简单地“换一个更大的模型”。

更多时候，需要从数据、标注、评价指标和应用需求出发，找到影响效果的真正原因。

这次经历也是我第一次真正理解工业视觉项目开发流程：

数据采集 → 数据标注 → 模型训练 → 指标分析 → 问题定位 → 方案优化。

相比学校中的算法实验，这种从问题出发不断迭代的过程，让我真正开始以工程师的视角思考视觉算法。