机器视觉这几年算是把我折腾明白了。从最开始看着满屏的像素矩阵一头雾水到后来能独立跑通一个从数据标注到模型部署的完整项目中间踩过的坑、推翻重来的方案、深夜排的 bug凑在一起足够写一本血泪史。这个学习总结不是要给你罗列一堆课程表而是我把自己从入门到上手这一路的关键节点、核心知识点、实操细节和典型问题全拆开来讲尽量让后来的人少走弯路。内容覆盖了传统图像处理、深度学习三大任务、数据工程、模型训练和部署落地适合正在入门或者学了一半卡壳的开发者参考。1. 先想清楚机器视觉到底在学什么——我的整体路线规划1.1 为什么很多人在学习中途放弃我见过太多同学学机器视觉学着学着就放弃了不是因为智商不够而是没搞明白这条路的地图长什么样。机器视觉不是一个单一学科它至少横跨四块内容编程能力、数学基础、图像处理理论、深度学习工程实践。很多人一上来就抱着几百页的经典教材啃数学或者反过来直接调库跑模型这两条极端路线都会让人很快失去耐心。正确的做法是先建立一个全局认知机器视觉本质上就是让计算机从图像中提取有效信息。这个提取可以靠传统的图像处理算法完成比如边缘检测、颜色分割、模板匹配也可以靠深度学习模型完成比如图像分类、目标检测、语义分割。这两条技术路线不是替代关系而是互补关系。我见过不少项目里传统算法用几行代码就能解决的问题很多人非要用深度学习硬做结果训练数据不够、模型不稳定把自己坑得很惨。还有一个常见误区是只学算法不学工程。机器视觉项目落地时数据怎么获取、标注怎么做、模型怎么训练、怎么部署到实际设备这些环节加起来占的工作量远超过算法本身。如果只盯着模型结构刷了十篇论文到真实项目里会遇到环境装不上、训练显存溢出、模型推理太慢等一系列问题。我后面会把这些实际工程环节全部走一遍。1.2 我给初学者规划的四阶段路线如果你问我机器视觉该怎么学我会把整个过程分成四个阶段每个阶段有明确的目标、产出和检验标准。这不是拍脑袋规划的是我自己走了弯路之后复盘出来的。第一阶段是编程基础和工具链准备。Python 是首选语言重点掌握 numpy 数组操作和基本语法不要急着学面向对象和设计模式够用就行。环境方面只要搞定 Anaconda 虚拟环境、OpenCV 的图像读写、matplotlib 的可视化就够了。这个阶段的检验标准不是刷完多少题而是能写一个程序把一张图片读进来做几个像素操作再把结果画出来。第二阶段是传统图像处理核心。重点学习颜色空间转换、图像滤波、边缘检测、形态学操作、轮廓提取、特征点匹配。这部分内容看似老旧却是理解图像本质的必经之路。我当时花了两周时间把 OpenCV 里常用的十几个函数逐个在真实图片上实验每个函数都试着调参数看效果变化这比看一百遍理论讲解都有用。第三阶段是深度学习和视觉模型。先理解神经网络训练的基本流程包括前向传播、反向传播、梯度下降、损失函数然后用 CNN 做图像分类再进入目标检测和语义分割。这个阶段最关键的是不能只调现成模型至少要手动实现一次简单的卷积操作和一次反向传播的推导否则你会一直停留在调参侠的层面。第四阶段是项目实战与部署优化。找一两个真实场景的课题比如工业零件缺陷检测、行人计数、OCR 文字识别完整走一遍数据采集、标注、训练、评估、部署。这个阶段的目标不是追求 SOTA 精度而是理解真实项目的完整链路。1.3 数学要补到什么程度才够用数学是很多人学机器视觉的心理门槛但说句实在话入门阶段你需要的数学远远没有想象中那么多。线性代数里重点掌握矩阵乘法、向量空间和特征值分解的基本概念因为图像本身就是一个矩阵卷积操作本质就是矩阵运算。概率论部分理解高斯分布、最大似然估计和朴素贝叶斯的思想就够了不要求你能手推复杂推导。微积分部分最关键的是导数和链式法则因为反向传播的核心就是链式法则的反复运用。我自学的时候发现纯粹为了理解算法去啃数学书效率很低。更有效的路径是先直观理解算法在做什么遇到卡壳的数学概念再回头精准补课。比如看到损失函数的梯度更新公式看不懂就专门去查偏导数和链式法则配合具体的数值示例往往半小时就通了。数学是为理解算法服务的工具不是拦在门前的拦路虎。2. 打地基图像处理与传统视觉方法这些坑我替你踩过了2.1 一张图像在计算机里到底是什么很多初学者第一次运行时会有个困惑图像在电脑里到底是数字还是图片答案是数字。一张彩色图片在计算机内存中就是三个二维矩阵分别对应红绿蓝三个通道每个像素的值通常是 0 到 255 的整数。灰度图则是一个单独的二维矩阵。理解了这一点你就能自然地理解为什么可以用矩阵运算去处理图像。我之前认识一个朋友死活不理解为什么图像滤波能用乘法实现后来我把图像的三通道矩阵打印出来给他看他就恍然大悟了。这是个很笨但很有效的方法第一次接触新算法时随手找一张小尺寸图片用代码打印出处理前后的矩阵数值亲眼看看像素值是怎么变化的你对算法的理解会扎实很多。颜色空间是另一个容易忽略的基础。RGB 颜色空间符合直觉但做颜色分割时并不好用因为光照变化会影响三个通道的数值同时变化。HSV 空间把色调、饱和度、明度分开在特定光照条件下做颜色识别会稳定很多。我在做一个番茄成熟度检测的小项目时用 RGB 阈值分割的效果很不稳定换到 HSV 空间后准确率立刻上来了。这个经验值得记住做任何颜色相关任务先试 HSV 往往是更聪明的选择。2.2 从滤波到边缘检测理解卷积的本质卷积操作是图像处理和深度学习的共同基石。在传统图像处理里卷积就是一个小的滤波器核在图像上滑动每个位置的输出是核覆盖区域像素的加权和。高斯滤波的核权重满足高斯分布用于去噪中值滤波不是卷积而是取邻域像素的中位数对椒盐噪声特别有效。这些概念如果你第一次接触觉得抽象可以在脑海里想象成一个滑动窗口在图片上移动每到一个位置就计算一次窗口内像素的某种统计量。边缘检测在机器视觉里地位很高。Canny 边缘检测的流程包括高斯去噪、计算梯度幅值和方向、非极大值抑制、双阈值检测和边缘连接。初学者常见的误区是直接调用函数完全不看内部原理。我建议至少手动实现一遍 Canny不需要多高效但一定要走完整流程。我在实操中踩过一个坑如果第一步不去噪检测出来的边缘会被噪声淹没到处都是假的边缘线。后来我去逐行读每一步输出的中间图像才真正搞明白每个环节的作用。形态学操作也是高频工具包括腐蚀、膨胀、开运算、闭运算。腐蚀让白色区域缩小可以去除小的白色噪点膨胀让白色区域扩大可以连接断开的目标区域。开运算是先腐蚀后膨胀适合去噪闭运算是先膨胀后腐蚀适合填补目标内部的空洞。在做缺陷检测时形态学操作常常是快速预处理的一把好手比直接上深度学习模型省力得多。2.3 传统方法什么时候比深度学习更好用这里我要说一个很多教程不会告诉你的观点传统视觉方法在不少场景里依然比深度学习更合适。首先是工业现场的高精度测量场景比如用卡尺工具测量零件的边缘距离和角度传统方法的像素级精度可以做到非常稳定而且不需要训练数据改动参数就能适应新产品。其次是计算资源受限的场景比如几十块钱的单片机上做简单的色块识别传统方法几十毫秒就能跑完深度学习模型根本没机会上。还有一类场景是数据极少的冷启动阶段。影像数据只有几十张的时候深度学习模型基本无从训练但传统模板匹配、颜色阈值分割往往已经能给出一个可用的初步结果。我的建议是接到一个新项目时先花一两天时间尝试传统方案把结果作为基线如果传统方案已经能满足需求就没必要上深度学习。如果确实搞不定再让深度学习模型介入这时候传统方法的输出还可以用来辅助生成训练数据的伪标签节省标注成本。3. 深度学习视觉三件套分类、检测、分割的实战拆解3.1 图像分类从零搭建第一个卷积模型图像分类是深度学习视觉的基础任务。其目标是把一张图片归入某个预定义的类别。入门时建议先用经典结构跑通全流程再逐步理解其中的设计思想。我在学习时选择了 LeNet-5 作为第一个模型它是一个简单但完整的卷积神经网络包含卷积层、池化层、全连接层的经典组合。搭建模型时有个概念必须搞清楚输入张量的形状是怎么流动的。一张三通道的 224x224 图片输入卷积层后输出的 shape 怎么变化全连接层前需要怎么展平这些细节不亲手打印出来很难真正理解。我建议刚开始把每层张量的 shape 都用注释标出来写出一个模型结构备注表这样不仅在调试时方便面试的时候也能讲得头头是道。训练分类模型时损失函数选择交叉熵优化器最常用的是 Adam 或者带动量的 SGD。一个新手很容易踩的坑是误以为训练集准确率越高越好实际上当训练集准确率达到 99% 而验证集只有 80% 时模型已经过拟合了。我在早期项目里就犯过这个错误训练集准确率一路狂飙验证集却停滞不前。后来养成了每轮训练同时记录训练集和验证集指标的习惯才把这个坑填上。数据增强是分类任务中提升泛化能力的利器。随机翻转、随机裁剪、颜色抖动、旋转缩放这些操作能在不增加真实数据的情况下让模型见到更多样化的输入效果常常非常显著。3.2 目标检测YOLO 系列给我上的重要一课目标检测要解决的是图里有什么东西、在什么位置的问题。传统做法是滑动窗口加分类器速度慢且精度低。现代检测模型分两派两阶段检测器先产生候选区域再分类回归精度高但速度慢单阶段检测器直接在特征图上预测边界框和类别速度快但训练难度更大。YOLO 系列是单阶段检测器的代表作也是我学习检测任务的起点。它把检测问题建模为回归问题将图像划分成网格每个网格负责预测中心点落在该网格内的目标。这里面涉及几个关键概念边界框的编码方式、锚框机制、置信度评分、非极大值抑制。初学者最容易卡在 NMS 上明明有多个框都检测到同一个物体怎么决定保留哪一个。理解了置信度最高优先重叠度过高的框直接抑制这个逻辑后算法的行为就很好理解了。在实操中很多人直接用现成框架训练 YOLO导入标注好的数据集就开跑效果差也不知道从何调起。我的经验是先手工检查数据处理和增强是否正确用模型自带的测试脚本可视化训练效果。在某个摄像头人形检测项目中我发现模型对白天效果好、晚上效果差排查后发现训练数据里夜间图像占比太少。补充夜间数据并做光照增强后问题立刻改善。3.3 语义分割和后处理像素级理解当任务精细到判断图像中每一个像素属于哪一类时就需要语义分割。经典的 U-Net 结构用编码器提取特征、解码器逐步恢复空间分辨率同时用跳跃连接融合多尺度信息在小样本医学图像分割等场景下表现很好。FCN 是全卷积网络的代表把全连接层换成卷积层实现对任意尺寸输入的像素级预测。训练分割模型时损失函数常用交叉熵的像素级版本再叠加 Dice Loss 处理类别不平衡问题。我做一个建筑物轮廓提取项目时正样本像素占比不到 10%直接用交叉熵训练出来结果基本是全背景加了 Dice Loss 之后边界明显清晰起来。这个案例说明损失函数的选择对分割任务的影响非常大不能偷懒用默认配置。分割模型的输出通常是每个像素的类别概率图后处理也大有讲究。比如用 argmax 取最大概率类别得到分割掩膜后再做连通域分析和形态学开闭运算可以去除小块噪点、填补空洞让最终结果更加干净。这一步对实际交付的观感影响非常大我通常在模型输出之后加一段后处理管线效果提升非常直观。4. 跑通一个完整项目的全过程实录从数据集到部署4.1 数据准备与标注真正的体力活如果说算法决定了一个视觉项目的上限那数据质量决定了项目能不能达到这个上限。真实项目里最耗时间的往往不是模型训练而是数据采集和标注。我做过一个工业零件表面缺陷检测项目前两周几乎全部花在采集不同光照下的零件图像、筛选模糊和反光的废图、然后逐张用标注工具画缺陷框。这个过程枯燥但极其关键因为模型性能和标注的准确性高度相关。标注工具我推荐用开源的可视化标注工具支持矩形框、多边形、关键点等多种标注模式。导出格式要考虑后续训练框架的兼容性常见的 COCO 格式、VOC 格式还有 YOLO 的 txt 格式都需要了解。标注时要注意一个细节框的边界要贴合目标宁可小一点也不能比目标大出太多否则模型会学到大量背景噪声。阴影和遮挡部分要单独标记不能想当然地合并到目标里。数据划分上建议整个数据集按 8:1:1 分成训练集、验证集和测试集划分前先对数据做随机打乱。如果数据来自多个不同的采集批次要按批次而不是单张图片来划分防止同一个批次的数据同时出现在训练集和测试集导致评估结果虚高。这个坑我踩过测试集准确率 97%部署到现场只剩 70%一看原因就是测试集里混入了大量与训练集相似的图像。4.2 训练环境的搭建与实验管理训练环境是很多人第一次就会被劝退的地方。显卡驱动、CUDA 版本、深度学习框架版本、Python 版本之间的兼容性问题能让人装环境装到怀疑人生。我的建议是用环境管理工具创建独立的虚拟环境深度学习框架的版本要和 CUDA 版本匹配建议先查清框架官方文档支持的 CUDA 版本再安装对应驱动和 CUDA 工具包。实验管理的重要性被严重低估。我早期训练模型时经常出现这个参数之前跑出来效果好像更好但忘了当时用的什么配置的尴尬情况。后来我强制自己做一个实验记录模板记录每次实验的模型结构、数据版本、训练参数、增强方式、损失函数和最终指标。这不仅是好习惯在对比实验结果、复现某个好结果时能节省大量时间。我也推荐使用开源实验管理工具自动记录训练曲线和超参数省去手动记录的麻烦。训练过程中可视化训练曲线是监控训练状态的必备手段。损失值下降曲线、验证集准确率曲线、学习率变化曲线都要实时盯着看。损失值出现 NaN 或剧烈震荡时立刻停住排查不要等跑完十几个 epoch 才发现白跑了。从我的经验来看很多训练问题在训练刚开始的一两个 epoch 就会暴露早发现早解决才是省时的关键。4.3 模型训练的关键参数与调参心得训练模型涉及一批关键超参数逐个说下我的理解。学习率是最重要的超参数之一它控制每次参数更新的步长。学习率过大会导致损失震荡甚至不收敛过小又会让训练极其缓慢。我的习惯是先从一个中等值开始比如 1e-3 或 1e-4配合学习率衰减策略像余弦退火或者阶梯衰减让模型在后期用小学习率精细优化。Batch Size 是另一个关键参数。它受显存大小限制但也会影响收敛效果。较大的 Batch Size 梯度更稳定但可能陷入尖锐极小值较小的 Batch Size 引入噪声某些场景下反而泛化更好。实际工作中我通常先看显卡显存能放下多大的 Batch Size再配合学习率做线性缩放。如果显存不足导致 OOM优先减小输入图像的尺寸其次才是减小 Batch Size。优化器的选择也很讲究。Adam 收敛快、对学习率不敏感适合快速验证想法SGD 配动量和学习率衰减在某些任务上最终精度更高但需要更多调参耐心。我自己在不同项目里的体会是分类任务 Adam 就很省心检测和分割任务我有时候会先用 Adam 快速训练再切到 SGD 微调对比效果后选更好的那个。过拟合是训练阶段最常遇到的现象。解决手段包括增加数据量、数据增强、正则化、早停机制等。其中早停是最直接的保护措施当验证集指标连续多个 epoch 不再上升时停止训练保存最佳模型。正则化方面权重衰减Weight Decay和 Dropout 是两个常用手段。在数据量小时也可以考虑迁移学习使用预训练模型权重初始化网络往往比从头训练效果好得多。4.4 部署落地从训练框架到推理引擎的转换训练完模型只是成功的一半部署到实际硬件上才能算完成。深度学习训练框架直接运行在工业现场设备上往往太重、太慢通常需要把模型转换成更轻量的推理格式。转换路径一般是先导出为通用的中间表示再针对目标硬件做图优化。我踩过的一个案例是把训练好的 PyTorch 模型导出为 ONNX 格式后在 CPU 上用 ONNX Runtime 推理速度提升了接近三倍这还没做任何硬件优化。如果目标设备是显卡可以用硬件加速库和 FP16 半精度推理速度还能再翻倍。做 INT8 量化则可以在精度损失可控的前提下进一步提速适用于计算资源紧缺的边缘设备。部署过程中最隐蔽的坑是预处理和后处理的不一致。训练时图片做了归一化、尺寸调整部署时如果忘记做同样的操作模型输出的结果会莫名其妙地变差。这个问题几乎每个项目都会遇到解决办法是把预处理逻辑封装成独立函数训练和推理共用同一段代码避免人为复制粘贴导致不一致。部署后的测试不能只用官方的测试图片一定要用真实场景采集的数据做验证评估模型在真实环境下的表现。5. 常见问题与避坑指南实测中踩过的坑一次性给你列全5.1 显存不足与训练崩溃先看这三件事训练时最常见的问题是 CUDA 显存不足尤其是那些拿消费级显卡训练中等模型的开发者。遇到 OOM我建议按顺序排查第一检查同一时刻是否有其他程序占用显存有时候是上一个训练进程没彻底释放第二调低 Batch Size 或图像尺寸这一步最直接第三开启梯度累积用小 Batch Size 模拟大 Batch Size 的梯度估计效果。除了显存不足训练崩溃的另一个常见原因是损失值变 NaN。通常是因为学习率过大导致梯度爆炸也可能是数据里存在脏数值。排查时可以逐步减小学习率同时检查输入图像是否有纯黑、纯白或包含异常像素值的样本。还有一个容易忽略的问题某些损失函数在数值上不稳定比如直接对概率取对数时概率接近 0 会导致负无穷。解决方案是在计算中增加数值稳定处理比如把概率裁剪到极小值以上。我曾经在某个项目里连续两天训练崩溃最后发现是数据增强时某个操作产生了空图像模型遇到这种输入后梯度直接异常。在数据流水线里加一步清洗检查把所有无效样本过滤掉之后问题立刻消失。这里建议你在训练脚本里加入数据完整性断言每次加载数据时检查张量是否为空、值域是否在合理范围把异常尽早暴露出来。5.2 过拟合与数据不均衡模型其实在偷懒过拟合的经典表现是训练指标一路起飞但验证集表现徘徊不动或者变差。我早期总觉得是模型结构不够复杂换了更大的网络结果更严重了。后来才想明白过拟合的本质是模型记住了训练集中的特殊模式而不是学到通用规律。在数据量不大的情况下优先考虑用预训练模型和加强数据增强比堆模型参数量靠谱得多。数据不均衡是另一个在工业场景里特别常见的问题。故障样本天然稀少正常样本占绝大多数模型很容易让所有输出都偏向多数类看起来准确率很高但没有任何实际价值。解决这个问题的思路通常是对少数类样本做过采样或合成对多数类做欠采样或者调整损失函数中的类别权重。分割任务用 Dice Loss 替代纯交叉熵检测任务里也可以在采样时保证每个 batch 都包含一定比例的困难样本。检验模型是否真的有效千万不要只看整体准确率。分类任务要看每个类别的精确率、召回率和 F1 分数检测任务要看各个类别的 AP 值并绘制 P-R 曲线分割任务要看 IoU 和 Dice 系数。这些按类别拆分的指标能让你快速定位模型到底在哪些类别上偷懒。5.3 推理速度慢到没法用优化三板斧模型训练好了效果也满意边上设备跑起来却达不到实时要求这种项目我见过太多了。优化推理速度通常有三板斧模型轻量化、计算图优化和硬件加速。模型轻量化最简单的方式是换更小的骨干网络比如用轻量级网络替换重型分类网络精度损失有限但速度提升明显。知识蒸馏是另一种选择用一个大的准确率高的教师模型去教一个小学生模型让小模型学习教师模型的输出分布最终在推理时只保留小模型速度和精度兼顾。计算图优化通常发生在从训练框架导出到推理引擎的过程中包括算子融合、常量折叠、内存复用等。这些优化不需要你手动干预但版本更新对效果影响很大值得多试几个版本。硬件加速方面能利用 GPU 的尽量用 GPU没有 GPU 的 CPU 场景可以用多线程和向量化指令加速ARM 边缘设备上可以考虑硬件厂商提供的推理库往往比通用框架快好几倍。我优化一个实时检测项目时通过把输入分辨率从 1280 降到 640、换轻量级骨干、开启半精度推理最终把单帧推理时间从 180ms 降到了 25ms代价是 mAP 掉了 1.2 个百分点。这种精度和速度的权衡在真实项目里非常常见你需要根据客户实际需求做取舍而不是盲目追求精度指标。5.4 高频问题速查表这里整理一份我在开发和维护视觉项目中高频遇到的自查清单你可以把它收藏起来作为调试参考。问题现象常见原因排查方法模型输出全是一个类别数据不均衡、学习率过高检查类别分布降低学习率调整损失函数训练损失下降缓慢数据未归一化、预处理错误检查图像数值范围对比训练和验证预处理逻辑过拟合严重数据少、模型大增加数据增强换预训练模型加入正则化检测框偏大或偏小锚框尺寸设置不合理根据数据集目标尺寸重新聚类锚框部署后结果变差预处理不一致、推理精度降低统一预处理代码检查量化精度损失推理延迟过高模型参数量大、计算优化不够简化模型、量化、使用硬件加速摄像头画面发绿或发紫图像通道顺序搞错检查 BGR 和 RGB 通道顺序是否正确标注了却学不会标注错误、置信度阈值不当随机抽检标注框检查正负样本比例6. 工具链选型与学习资源建议6.1 开发环境的搭建选择环境搭建是机器视觉学习的第一道坎也是日常开发的基础。我个人的做法是准备一台带独立显卡的 Windows 机器用于日常代码调试和轻量训练同时装一个 Linux 系统或者用远程服务器跑大规模训练。Linux 环境对深度学习框架的兼容性更好很多部署场景也要求 Linux 系统提前适应这个环境会省掉后面很多麻烦。Python 版本建议直接用 3.8 以上配合环境管理工具创建独立的虚拟环境。核心依赖方面图像处理用 OpenCV数值计算用 numpy深度学习框架用 PyTorch 或类似框架数据可视化用 matplotlib。这些工具链的版本之间偶尔有兼容性问题锁定版本并记录在环境配置文件里是个好习惯。换新机器的时一条命令恢复环境不用再经历一次装环境的痛苦。IDE 方面我用过多种编辑器最终固定下来的是 VS Code 加远程开发插件本地编辑代码远程服务器上跑训练这套组合非常顺手。调试模型时用断点单步调试查看中间张量的 shape 和值比打印日志高效得多。6.2 高质量学习资料与我眼中的优先级机器视觉学习资料多到泛滥但优先级一定要分清。官方文档永远是最准确的比如 OpenCV 文档和深度学习框架官方教程遇到 API 用法不确定直接查文档不要依赖二手博客。其次是经典论文但不需要从最古老的论文一路读起可以先读几篇综述建立全局认知再围绕自己研究的任务精读 3 到 5 篇代表性论文。实践类的资料我建议多找带完整代码的项目实例先复现再改进。复现经典神经网络模型是很好的训练方式把模型的每个模块都敲一遍理解每一层的设计和作用比背诵模型结构记忆深刻得多。竞赛平台也是一个很好的实战场所可以检验自己的模型效果还能学习各赛道优秀开源的方案。6.3 我给学习者的几条具体建议第一不要做纯粹的调包侠。哪怕最开始只是调用现成框架也要花时间理解框架背后的算法原理至少要弄清楚以下问题输入输出张量的维度变化、损失函数如何计算梯度、优化器如何更新参数。把这些原理弄明白之后遇到问题才有推理能力。第二先把一个项目做完整再去追求做多个项目。很多人同时开了三四个项目每个都做到一半就放下最后没有一个能跑通。我更推荐把某一个项目从数据采集到部署交付完整走一遍中间经历所有环节的坑这个完整闭环带来的成长远大于泛泛地刷十个半成品项目。第三不要怕读代码和改代码。开源项目的代码是最好的学习资料判断一个开发者水平的指标往往不是他会多少模型而是他能不能快速读懂并修改一个陌生的代码库。我自己有个习惯每周找一段开源代码精读逐行理解并尝试修改其中的某个模块这个习惯帮我在处理实际项目时自信了很多。最后说说心态。机器视觉学习是一个长期积累的过程你在初期实验失败、效果不理想都是常态。我早期一个简单分类任务跑了整整一周才达到可用的精度期间五次调整网络结构、三次重做数据标注几乎想放弃。但正是这些失败让我被迫把每个环节的原理和细节都摸透了后续再做项目时心里非常有底。学习这件事没有捷径但有一条算一条的坑能少踩就少踩。这篇文章里记录的就是我踩过且觉得最值得分享的那些坑希望能帮你省下一些原本注定要浪费的时间。