10.0 学习检查表：计算机视觉

这页当成可打印检查表使用。需要完整讲解时，回到 第 10 章入口页。

两小时快速通读

时间	做什么	能说出这句话就停
20 分钟	看输出粒度阶梯图	“分类、检测、分割的区别在输出。”
25 分钟	运行像素小实验	“我能检查尺寸、通道、RGB 和灰度。”
25 分钟	浏览 10.1 图像基础	“预处理会改变模型看到的数据。”
25 分钟	浏览分类、检测、分割路线图	“我知道哪个指标对应哪个任务。”
25 分钟	阅读调试闭环	“怀疑架构前，应先检查数据和标签。”

必须留下的证据

证据	最小版本
opencv_demo.py 或 pixel_lab.py	读取或生成图像、预处理、保存输出
vision_dataset.md	数据来源、类别、样本数、标注方式、限制
eval_results.md	accuracy/F1、mAP、IoU/Dice、OCR 命中率或自选指标
failure_cases.md	失败图片、可能原因、修复方向
README.md	任务目标、运行命令、输入输出示例、场景边界

质量闸门

闸门	通过条件
视觉链路	原图、处理图、预测图和失败图用可对应的文件名保存。
标注	数据集说明写清类别、框或 mask、来源、划分和已知标注不确定性。
指标匹配	accuracy/F1、mAP、IoU/Dice 或 OCR 命中率与任务输出匹配。
真实边界	报告写明光照、角度、相机或来源、延迟、图像尺寸和设备限制。

离章问题

• 你能按输出形态解释分类、检测、分割和 OCR 吗？
• 你能展示原图、处理图和预测可视化吗？
• 你能解释标注质量为什么影响指标吗？
• 你能为正确任务选择 accuracy/F1、mAP、IoU 或 Dice 吗？
• 你能说明为什么演示到真实图片上会失效吗？

如果答案都是可以，就可以把视觉能力接到第 12 章的多模态方向。

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