获课：xingkeit.top/17635/

作为在工业视觉项目里和视觉大模型死磕了近两年的工程师，我见过太多团队把80%的精力花在模型调参上，最后却栽在数据处理的细节里。这些坑没有高深的理论，全是我在深夜排查bug、对着效果差的数据集发呆时攒下的实战教训，每一条都对应着真实项目里踩过的血坑。

第一个最容易被忽略的坑，就是对“异常图像”的筛选不到位。我之前做工业零件缺陷检测项目时，拿到一批爬取来的公开数据集，没仔细筛查就直接扔进训练，结果模型训练了十多轮，精度始终卡在一个很低的水平。后来逐张排查才发现，里面混进了大量长宽比极端失衡的拉伸图、几帧循环的动图，还有不少分辨率极低的模糊图。这些图在常规数据增强操作里，很容易把目标零件直接裁剪变形，模型学了一堆错误的特征，自然不可能有好效果。后来我养成了一个习惯，正式训练前先过一遍全量数据的基础校验，把长宽比超出合理范围的图、非标准格式的动图全部筛掉，从源头避免无效数据干扰模型学习。

第二个坑是数据去重只做“完全相同”的校验，放过了大量高度相似的冗余数据。很多人以为只要删掉MD5完全一致的图片就算完成去重，可实际上从视频抽帧、网络爬取来的数据集里，大量图片只是分辨率不同、加了水印、做了轻微裁剪，本质上内容高度重叠。我之前做视线估计项目时，就踩过这个坑：连续抽帧得到的近千张人脸图几乎没有差异，模型反复学习几乎一样的特征，不仅浪费了大量训练算力，还直接导致训练损失震荡严重，泛化能力极差。后来我改用基于特征相似度的去重逻辑，把相似度超过阈值的冗余图全部清理掉，数据集体积直接压缩了近三分之一，训练收敛速度反而快了一倍。

第三个坑是图像尺寸处理只追求“符合输入要求”，完全忽略了原始比例的保护。我见过不少新手为了图省事，直接把所有图片暴力拉伸成模型要求的正方形尺寸，结果做圆形垫片缺陷检测时，模型把被拉成椭圆形的正常零件直接判定为异常，整个训练方向完全走偏。后来我才明白，对于工业视觉这类对几何特征敏感的场景，保持图像原始宽高比远比填满模型输入尺寸重要，通过等比例缩放加边缘补全的方式处理，才能让模型学到正确的形状特征，不会把人为拉伸造成的变形当成异常。

第四个坑是跨数据集训练时，忽略了不同来源数据的标准化差异。我之前用多个公开视线数据集混合训练时，模型训练到一半突然报错，好不容易跑通了之后视线方向预测结果完全混乱。排查了很久才发现，不同数据集的归一化方式、坐标系定义完全不一样，有的数据集用的是相机坐标系，有的用的是屏幕坐标系，直接混在一起训练，相当于给模型喂了一堆互相矛盾的标注。后来我专门做了统一的标准化流程，把所有数据的坐标系、归一化参数全部对齐，才彻底解决了预测结果离谱的问题。

折腾了这么多项目我最大的感悟是，视觉大模型的效果天花板从来不是由模型架构决定的，而是由你手里数据的质量决定的。那些看起来不起眼的数据处理细节，恰恰是决定最终项目成败的地基。把数据的每一个小坑都填上，模型自然会给你超出预期的反馈。