定制算法的交付对象不是一个模型文件，而是一套能在目标设备和真实业务中被验证、更新与回退的识别能力
先把“什么算目标、什么不算、何时形成事件”写成可标注规范，再收集覆盖角度、光照、距离、遮挡、正常与异常的合法数据，拆分训练、验证和独立测试集。模型指标通过后还要转换到目标边缘设备，验证算子、速度、内存、多路负载和事件规则。上线后持续回收误报漏报，版本更新保留测试报告与回滚包。
需要识别特殊物品、工装、设备状态、工业缺陷或现场动作的产品方、集成商与算法交付团队。
薪火科技内容与算法团队
薪火科技算法与项目交付团队
发布于 2026年7月2日；更新于 2026年7月17日
《薪火自有模型训练部署方案》《算法-相关名词与话术》、数据处理与标注资料、车辆及烟火标注反馈、边缘设备文档。
先把业务问题写成可标注任务
业务描述如果不能让不同标注人员作出一致判断，后续数据和模型指标都难以解释。
选择任务类型
目标有无可用分类，物体位置与类别常用目标检测，精细轮廓可用分割，动作或状态还可能需要跟踪、时序和业务规则。任务类型由可见证据决定。
定义正例与反例
正例说明哪些外观、位置和状态属于目标；反例应覆盖相似物、正常行为、背景干扰和不确定样本。只收正例容易造成上线后误报。
处理遮挡与截断
标注规范要规定目标露出比例、只见局部、被货物遮挡、重叠和模糊时是否标注，以及矩形框或分割边界如何贴合。
模型与业务规则分工
模型负责输出目标、类别或属性，ROI、持续时间、方向、名单和事件去重由业务规则处理。不要把所有业务条件强塞进单一模型标签。
数据质量与权利边界
数据要接近真实部署环境，同时来源、授权、隐私和保存范围必须清楚。
覆盖真实变化
样本应包含白天夜间、远近、角度、不同相机、压缩、遮挡、季节和正常异常状态，重点覆盖上线点位最常见的长尾干扰。
清洗重复与低质数据
去除重复、损坏、过小、无法辨认和错误标签，避免同一视频相邻帧大量重复造成评估虚高。模棱两可样本可单独管理，不强行归类。
分离训练验证测试集
同一视频、同一场景或高度相似帧不应跨集合泄漏。独立测试集尽量覆盖未参与训练的点位或时间，用于判断泛化而非记忆。
合法使用与脱敏
客户应确认视频和图片的使用授权、人员与车牌等敏感信息处理方式、保存期限和删除责任。公开数据也需核对许可，不因技术可获得就默认可训练。
从训练指标到业务验收
模型指标用于比较版本，但项目是否可用还取决于阈值、规则、设备负载和错误成本。
选择合适指标
根据任务观察精确率、召回率、F1或检测指标，并按类别、距离、遮挡和场景拆分。总体均值可能掩盖关键高风险类别的漏报。
分析误报与漏报
将错误按相似目标、光照、尺度、遮挡、标签问题和规则问题分类，决定补数据、改标注、调阈值还是调整机位，而不是盲目增加训练轮次。
业务阈值与成本
高风险预警可能更重视召回，但过多误报会让值守失去信任。阈值和持续规则应基于业务后果及试点数据共同确定。
独立现场测试
在目标摄像头连续视频中验证正负样本、昼夜和真实负载。离线图片指标不能替代解码、推理、规则和接口的端到端验收。
边缘部署与持续迭代
模型从训练框架导出后，还要适配目标芯片、推理库和项目运行环境。
模型转换与算子适配
检查输入输出、动态维度、算子支持、量化方式和精度变化。转换成功不代表结果一致，需要用同一测试集对比。
性能与多路负载
在目标AI摄像头、边缘盒、AI NVR或服务器上测试单帧耗时、内存、温度、并发视频和事件延迟，按真实算法组合满载运行。
版本与回滚
为模型、标签、配置和业务规则分配版本，保存变更说明、测试结果和兼容设备；新版本异常时能够回退到已验证版本。
上线样本闭环
持续收集经授权的误报漏报和新工况样本，复核标签后进入下一轮训练。模型更新应经过独立测试和小范围灰度，不直接全量覆盖。
案例画面与事件记录
以下素材用于说明识别目标、规则区域、事件字段和复核方式，不以单张案例图代表所有现场效果。
算法训练平台
上传素材、GPU训练、评估模型并导出到边缘设备。
训练闭环流程
素材上传、数据标注、训练评估、模型部署和持续优化形成闭环。
适用边界与误报控制
算法只判断画面中可见、经过定义的目标或行为。以下因素需要在机位评审、正负样本测试和上线复核中明确。
数据不足不能靠训练次数补救
缺少真实角度、异常状态和负样本时，增加轮次可能只让模型更记住训练数据，不能保证现场泛化。
标注不一致会限制上限
目标边界和类别定义含糊时，模型学到的是互相矛盾的规则。需要先修订规范和抽检一致性。
离线指标不等于上线体验
图片测试不包含视频压缩、跟踪、持续时间、多路资源、网络和平台重试，必须端到端验证。
硬件兼容需要实际适配
已有模型不能因格式相同就直接部署；算子、量化、输入输出、内存和速度都需在目标设备验证。
现场测试与验收建议
验收覆盖数据、模型、设备和业务四层，并能从每个上线事件追溯到模型与配置版本。
| 验收项 | 怎么测试 | 判断依据 |
|---|---|---|
| 任务与标注 | 抽取正例、反例、遮挡、截断和不确定样本由业务与算法共同复核 | 规范可执行，抽检一致，标签版本与数据来源可追溯 |
| 数据划分 | 检查训练、验证和测试集的来源、场景与相似帧泄漏 | 独立测试集不被训练使用，并覆盖关键现场和长尾干扰 |
| 模型指标 | 按类别、距离、光照、遮挡和场景报告错误，而非只看总体均值 | 关键类别达到双方试点标准，误报漏报有可解释样本清单 |
| 边缘性能 | 在目标设备按真实视频、分辨率、通道和算法组合连续满载运行 | 速度、资源、温度、延迟和稳定性满足部署要求，转换前后结果可比 |
| 版本闭环 | 执行模型升级、配置迁移、故障回退和事件平台回归 | 版本、变更、测试与回滚包完整，旧设备和接口兼容边界明确 |
部署与优化流程
将业务定义、数据、训练、评估、设备适配和上线复盘作为一个可重复流程，而不是一次性交付。
业务定义
确定可见目标、事件规则、错误成本和验收样本。
数据与标注
收集授权数据，清洗去重，制定规范并抽检一致性。
训练与评估
分离数据集，分析分场景指标、误报漏报和阈值。
边缘适配
转换量化，验证算子、精度、资源、多路负载和接口。
灰度与迭代
小范围上线，回收样本，版本化更新并保留回滚能力。
可部署产品
产品选择要同时考虑存量摄像头、通道与算法组合、录像检索、模型兼容、平台接口和长期运行资源。
相关场景与延伸阅读
结合行业方案、设备选型和现场勘察页面，判断算法是否适合当前点位，而不是只看能力名称。
常见问题
以下答案用于前期评估，最终以真实视频、目标设备、业务规则和双方确认的测试样本为准。
客户提供多少图片就能训练出算法？
没有通用数量。数据量取决于类别复杂度、场景变化、错误成本和预训练基础；覆盖真实角度、光照、遮挡、正负样本通常比单纯堆数量更重要。
只提供异常样本可以吗？
通常不够。模型还需要正常背景和相似目标等负样本，否则上线后容易把常见场景识别为异常。
训练准确率很高，为什么现场仍会误报？
可能存在相似帧泄漏、测试集过于接近训练数据、现场光照角度不同、视频压缩、标注偏差或业务规则问题。需要查看独立测试与现场错误样本。
已有ONNX或其他模型能直接部署吗？
需要评估算子、输入输出、动态维度、量化、目标芯片、推理库和性能，再进行转换与一致性测试；格式兼容不等于工程可用。
模型更新会不会影响旧点位？
有可能。应按模型和配置版本管理，使用旧点位回归集测试，并先灰度更新；保留回滚包和兼容设备清单。
训练平台是否要持续连接现场视频？
不需要把日常实时识别放在训练平台。模型导出并部署到适配的本地设备后，由设备完成视频分析；后续只按授权回流必要样本用于迭代。
内容说明：本文依据薪火科技算法支持清单、摄像头安装规范、标注与训练资料、产品文档和已脱敏测试经验编写。算法效果受真实画面与业务规则影响，页面不以单一演示、内部初版参数或未经现场验证的准确率代替项目验收。 查看完整的内容编写、技术复核与纠错方法。