10.6.1 项目路线图：构建视觉证据包

计算机视觉项目不是“我用了一个模型”，而是数据、标注、模型输出、指标、失败案例和展示的闭环。

先看项目闭环

如果需要最快跑通完整闭环，从分类开始；需要框就进入检测，需要 mask 就进入分割，OCR/视频/3D 适合专门场景。

跑一个项目就绪检查

在称为可展示项目前，先跑这个检查。

project = {
    "task": "helmet detection",
    "has_data_note": True,
    "has_metric": True,
    "has_failure_case": True,
    "has_annotation_rule": True,
}

ready = all(project[key] for key in ["has_data_note", "has_metric", "has_failure_case", "has_annotation_rule"])

print("task:", project["task"])
print("presentable:", ready)

预期输出：

task: helmet detection
presentable: True

如果项目没有标注规则或失败案例，它仍然只是演示，不是作品集项目。

按这个顺序学

步骤	项目类型	证据
1	分类	数据划分、accuracy/F1、混淆样例
2	检测	框标注、IoU/mAP、误报和漏检
3	分割	masks、IoU/Dice、边界失败
4	行业场景	风险说明、用户影响、部署想法
5	实操工作坊	在大项目页前先跑可复现迷你流水线

扩展项目前，先运行 10.6.4 实操：构建可复现视觉迷你流水线。

项目交付物标准

交付物	最低要求	更强的作品集版本
README	目标、运行命令、依赖、示例	增加任务边界、数据来源、部署想法
数据与标注	图像来源、类别列表、标注格式	增加标注示例、质量检查、偏差说明
结果	至少 1 张输入图和预测结果	增加正确、误报、漏检、边界案例
评估	Accuracy、F1、mAP、IoU、Dice 或 OCR 命中率	按类别、场景、光照、清晰度做错误分析
失败分析	至少 1 个真实失败	增加疑似原因、修复动作、回归检查
展示	截图或短 GIF 证明能运行	构建清晰的视觉项目页面

通过标准

如果你的视觉项目可复现，有清晰数据和标注规则，报告合适指标，并展示模型在哪里失败，就通过了本章。

检查思路与讲解

1. 合格答案要把任务映射到正确的视觉输出：类别标签、检测框、mask、OCR 文本、embedding 或视频事件。
2. 证据应包含渲染后的视觉产物，以及一个指标或定性错误说明。
3. 自检时要能指出一个视觉失败模式，例如类别混淆、漏检、mask 边界差、光照变化、领域偏移或标注质量弱。

留下的证据

学完这一页，至少保留这张证据卡：

任务输出

分类标签、检测框、分割掩膜、OCR 文本或视频事件

工件

原始图像、处理后图像、预测叠加图、指标文件和失败样本

指标

准确率/F1、mAP、IoU、Dice、延迟或场景特定审查分数

失败检查

数据质量、标签错误、预处理不匹配、阈值或部署约束

期望产出

一个可复现的运行文件夹，包含可视化输出和简短失败报告