知识卡片

普通读书笔记卡 · 7017.m · 生成模型:DeepSeek-V4.1-Flash

案例三:钢材缺陷检测的以数据为中心转向

理解等级:高级

Landing AI 的 Ivan Zhou 讲制造业项目:许多行业靠视觉检测发现钢卷生产中的关键缺陷,客户自研多年、模型已在生产运行,准确率却只有 70%–80%,而作者快速原型出的新深度学习模型达到 93%。目标是准确分类客户热轧数据集里的缺陷(热轧是钢卷生产管线的关键阶段):缺陷分布在 38 个类别,很多类只有几百个样本;客户做了近 10 年、最佳仅 80%,无法满足需求,其间请过多支 AI 团队,全都试图靠架构若干 SOTA 模型来提升,最终无一改善。作者的转向是驻场并雇三名本地实习生做标注:第一周几乎全部时间花在学习缺陷类别、管理标注工作、复核标签;小批量发数据、每批完成即复核并反馈标注错误,不一次标完——首轮每类标 30%、找出所有歧义并处理,再标下一个 30%,两周共三轮迭代;最终标了 18000 张图,丢弃 3000 多张认为混淆的样本。最耗时的是维护「缺陷共识」:38 类中许多类别初看极相似,标注员容易混淆,必须不断讨论分歧、更新缺陷定义(例如黑线、黑条、划痕三类边界要随更多样本持续修正),极难辨认的样本直接从训练集移除。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Reliable Machine Learning》第15章《Case Studies: MLOps in Practice》(源文件:extracted/Reliable Machine Learning/_epub-src/OEBPS/ch15.xhtml) - 结论依据:原文明确阐述该主题,并给出定义、实践或反例。 - 原始内容:I was able to rapidly prototype a new deep-learning model that achieved 93% accuracy at detecting defects in the project. Figure 15-1.