YOLOv5训练数字识别：从数据集标注到ONNX部署实战

数字识别听起来像是OCR领域的老题目，但真到工业现场的电表读数、快递面单编号、仪表盘数值、仓库货架标签这些场景里，你会发现一个很尴尬的事实：现成的通用OCR方案在规整印刷体上表现还行，一旦遇到倾斜、模糊、光照不均、数字被遮挡的情况，识别率就直线往下掉。而YOLOv5这条路子给了另一种解法——先在训练阶段让模型学会"哪儿是数字"，再在推理阶段把检测框按位置排序拼成完整数值串。这套YOLOv5训练+数字识别的组合，最大的价值在于它把"切分"这个OCR里最头疼的环节直接省掉了，网络自己就帮你把每一个字符框出来了。这篇内容适合两类人看：一类是刚接触目标检测、只跑过官方coco示例、想拿yolov5训练自己的数据集但不知道从哪下手的新手；另一类是做仪表读数、票据编号识别，手上有几千张图但一直在用传统方法硬扛的工程师。我会把环境配置、labelImg打标、data.yaml编写、超参数调整、训练日志解读、检测结果拼接、ONNX导出这一整条链路讲透，中间该踩的坑一个都不藏。

1. 为什么拿YOLOv5来做数字识别

1.1 数字识别的三条技术路线，最后为什么选了检测

做数字识别，市面上大致有三条路。第一条是传统图像处理加模板匹配，先二值化、再腐蚀膨胀、再连通域分割、最后拿每个字符的图去和模板比对。这条路在理想条件下又快又准，但换个字体、换种光照就全面崩盘，维护成本高到离谱，我见过一个项目组为了调那几十个阈值参数，前后折腾了三个月还没稳定。第二条是端到端序列识别，像CRNN、CTC那一套，输入一行数字图像，直接输出字符串。它的优点是能利用上下文信息，缺点是必须先做行检测和透视校正，而且训练数据要成行的文本，标注方式和小样本场景不太兼容。第三条就是目标检测思路，把0到9这十个数字当成十个类别，让YOLOv5去检测，每个数字出一个框和一个类别，最后按坐标排序拼接。

我最后选第三条，理由非常实际。一是标注门槛低，labelImg框一下就完事，不需要写任何字符级别的对齐脚本，几十张图就能跑通全流程。二是天然解决粘连，OCR最怕的就是"12"两个字挨太近被切在一起，而检测模型是把每个数字当独立目标学出来的，挨着也能分开。三是可扩展性强，你今天做数字识别，明天要加个"小数点"或者"负号"类别，改一下标注和类别数重新训练就行，架构不用动。四是可解释，模型输出的是一个个带坐标的框，出错了你能一眼看出是漏检还是分类错了，而不是对着一个黑箱输出瞎猜。

代价也要说清楚：检测模型对极端密集的小目标不友好，一串20位的数字如果分辨率不够，后几个数字可能就糊成一团了；另外单字识别没有上下文约束，理论上"1338"可能被识别成"1383"，只是坐标排序能兜住这个问题。所以这条路的适用边界是：数字数量在个位数到十几位之间、字符之间有基本间距、图像分辨率够用。超出这个边界就得上切片推理或者两阶段方案。

1.2 主干选型：为什么小模型反而够用

很多人第一次跑yolov5训练自己的数据集，下意识就去下最大的权重，觉得模型越大效果越好。数字识别这个任务上，这个直觉是错的。YOLOv5官方给了n、s、m、l、x五个尺寸，参数量从1.9M到86M不等。数字识别的分类边界非常简单——就是十个形状差异明显的字符，没有复杂的语义歧义，真正难的是"定位"而不是"分类"。所以yolov5n和yolov5s完全够用，甚至更好。

我做过对比，同一个数据集、同样200个epoch，yolov5s的mAP@0.5能到0.98左右，yolov5x大概是0.985，差距在噪声范围内。但推理速度上，yolov5s在同样的GPU上大约快三到四倍，模型体积从170MB降到14MB，导出onnx之后更小。如果你要在jetson nano或者树莓派这类边缘设备上跑，小模型几乎是唯一选择。反过来，大模型在数字任务上还容易过拟合，尤其是数据集只有一两千张的时候，验证集loss会先降后升，泛化反而变差。

还有个细节是输入分辨率。数字是小目标，640的输入尺寸下一串数字可能每个字符只有十几个像素，特征图到P3层（stride 8）时几乎没了。这时候与其加大模型，不如加大输入尺寸，比如训练时用--img 960或者1280，让每个字符在特征图上多占几个像素。计算量是按面积增长的，640到960大概是2.25倍，但收益通常比换大模型明显。我的经验是先把分辨率顶到显存允许的上限，再考虑模型尺寸，这个顺序别搞反。

1.3 这套方案能落地到什么场景

数字识别检测方案的应用面比很多人想的宽。最常见的三个方向：一是电力、水务、燃气行业的老式机械表计读数，摄像头对着表盘拍一张，识别出整串数字，省掉人工抄表。这类场景的难点是反光和表盘倾斜，需要在采集端先做补光和一次透视校正。二是物流面单和仓储货架标签，主要识别运单号、货位号，特点是数字串长、背景杂乱，但光照相对可控。三是工业产线上的字符喷码，比如生产日期、批次号，这类场景对速度要求高，通常要配合yolov5部署到边缘盒子，做实时推理。

除了数字，同样的架构稍微改改就能做别的字符识别。我见过有人拿它做车牌号识别里的字符定位，检测出省份汉字和字母数字，再用一个小分类网络做细化；也见过用同一套流程做化学式下标、数学公式编号的提取。核心逻辑是通用的：只要你的目标是"在一张图里找出若干个独立的、类别有限的短字符，并还原它们的顺序"，这套检测加排序的方法就能直接套。

2. 环境搭建与数据集准备

2.1 环境配置：一步一坑的依赖安装

yolov5环境配置这件事，说难不难，说简单也真能卡住人。先说结论：Python版本别追新，3.8到3.10之间最稳，我一般用3.9。PyTorch版本要和你的CUDA驱动匹配，CUDA 11.8的驱动装torch 2.x基本没问题。如果你只有CPU，能跑通但训练速度会慢到让你怀疑人生，一个2000张图的数据集跑200轮可能要两三天，建议至少找一张8GB显存的卡，或者用云端的按小时计费实例。

具体步骤我按顺序列一下，注意每一步的意义：

# 1. 拉代码，建议指定版本而不是直接用最新的main git clone https://github.com/ultralytics/yolov5 cd yolov5 git checkout v7.0 # 2. 建独立虚拟环境，别污染系统Python conda create -n yolo python=3.9 -y conda activate yolo # 3. 先装PyTorch，一定要去官网生成对应你自己CUDA版本的命令 # 假设CUDA 11.8 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 4. 再装其余依赖 pip install -r requirements.txt

注意：requirements.txt里也写了torch，如果第3步已经装好了，第4步执行完可以再跑一次pip install torch torchvision覆盖回去，否则有可能被换成CPU版本。装完务必用python -c "import torch; print(torch.cuda.is_available())"验证一下，返回True才算成功。

为什么强调先装torch再装requirements？因为pip在解析依赖时如果发现版本冲突，会自作主张降级，把GPU版换成CPU版是常见现象。这个坑我至少踩过三次，每次都是训练启动后看到速度特别慢才发现。

2.2 数据采集与标注：labelImg怎么标才不出错

数据这块，我的建议是先拿200张图把流程跑通，再考虑扩到2000张以上。手写数字识别数据集像MNIST那种是28x28的居中单字符，直接用价值不大，因为它没有"一张图里多个数字"的空间分布信息。你需要的是自己的场景图，用手机或者摄像头拍都行，重点是覆盖不同光照、角度、背景和数字组合。

标注工具用labelImg就够了，安装很简单：pip install labelImg然后命令行输入labelImg启动。启动后一定要先把左上角的格式切到"YOLO"模式，再开始标。这里有个新手最容易犯的错：默认是PascalVOC模式，标完导出的是XML，格式完全不一样，还得写脚本转换。切到YOLO之后，每次新建标注会提示你输入类别名，输入"0"，然后继续。类别名用字符串"0"到"9"，不要用中文，不要带空格。

标注时有几个实操原则。第一，框要贴紧字符边界，不要留太多空白，也不要把字符边缘切掉，边缘切掉会丢失笔画信息。第二，同一个数字在不同图里框的松紧程度尽量一致，否则模型学到的尺度分布会很乱。第三，小数点建议单独设一个类别，命名成"dot"，因为它在图像上就是一个很小的点，混在数字里模型很难学，独立成类反而更容易。第四，模糊到你自己都认不出来的图直接删掉，别硬标，模型学不到东西还会拉低整体指标。

提示：labelImg有个快捷键流非常好用，W新建框、A上一张、D下一张、Ctrl+S保存。熟练之后一张图两三秒就能标完。标之前把所有图片放在一个文件夹里，用Open Dir打开，Change Save Dir指向同一个目录（YOLO格式会生成同名txt），这样管理最省心。

2.3 YOLO标签格式拆解与批量校验脚本

标完之后你拿到的是每张图对应的一个txt文件，每行五个数：class_id x_center y_center width height。这里的关键是后面四个值全部是归一化到0到1之间的相对坐标，不是像素值。举个例子，一张1280x720的图，某个数字框的左上角在(320, 180)，右下角在(360, 220)，那么它的x_center是(320+360)/2/1280=0.2656，y_center是(180+220)/2/720=0.2778，width是(360-320)/1280=0.03125，height是(220-180)/720=0.05556。写成一行就是3 0.2656 0.2778 0.0313 0.0556。

这个格式一旦搞错，训练时会报一堆奇怪的错，或者loss直接不下降。所以标完一定要跑一个校验脚本：

import os from pathlib import Path label_dir = Path("datasets/digit/labels") bad_files = [] class_count = {} for txt in label_dir.rglob("*.txt"): with open(txt, "r") as f: lines = [l.strip() for l in f if l.strip()] if not lines: bad_files.append((txt, "空标签文件")) continue for i, line in enumerate(lines): parts = line.split() if len(parts) != 5: bad_files.append((txt, f"第{i+1}行字段数={len(parts)}")) continue cid = int(float(parts[0])) vals = [float(v) for v in parts[1:]] if any(v < 0 or v > 1 for v in vals): bad_files.append((txt, f"第{i+1}行坐标越界")) if vals[2] <= 0 or vals[3] <= 0: bad_files.append((txt, f"第{i+1}行宽高非正")) class_count[cid] = class_count.get(cid, 0) + 1 print("异常文件：") for f, r in bad_files: print(f" {f} -> {r}") print("\n各类别框数统计：") for k in sorted(class_count): print(f" 类别{k}: {class_count[k]}")

这个脚本能一次性帮你揪出坐标越界、字段缺失、宽高为负这几类问题，同时把各类别的样本数打个表。如果发现某个数字（比如"8"）的样本数只有其他数字的十分之一，后面训练时就要做类别平衡处理，或者专门补标一批。数据分布的均衡程度，对最终mAP的影响比超参数大得多。

3. 训练前的关键配置

3.1 data.yaml怎么写才不报路径错误

数据集目录结构推荐按官方约定来，这样最省事：

datasets/digit/ ├── images/ │ ├── train/ # 训练图 │ └── val/ # 验证图 └── labels/ ├── train/ # 与train图同名的txt └── val/ # 与val图同名的txt

然后data.yaml长这样：

path: /home/user/datasets/digit train: images/train val: images/val nc: 11 names: ['0','1','2','3','4','5','6','7','8','9','dot']

这里有几个坑。第一，path写绝对路径最稳，写相对路径的话，YOLOv5是相对它自己的仓库根目录解析的，不是你当前所在的目录，很容易找不到。第二，train和val写相对path的路径，不要重复写全路径。第三，names的顺序必须和标注时用的class_id严格对应，如果你标注时"0"的id是0，"dot"的id是10，那names里第11个位置就必须是dot。顺序错了模型会把小数点当成数字识别，指标看着还行，实际用起来全错。

划分训练集和验证集我一般用8:2，数据量小的时候用9:1。划分的时候要做随机打乱，不能拿前80%当训练，否则如果拍摄时是按时间段拍的，光照条件会被切分得一塌糊涂，验证集指标虚高。最好再留一小部分做测试集，从不同时间、不同设备拍的图里抽，这样评估出来的数字才接近真实上线的表现。

3.2 超参数文件里哪几个参数必须改

YOLOv5的超参数都在data/hyp.scratch-low.yaml（或者scratch-high、scratch-med）里，yolov5超参数不少，但做数字识别真正需要动的就那么几个，剩下的默认值很成熟，别乱改。

重点说fliplr这一条，这是数字识别和其他目标检测任务最大的区别。如果你做的是水果识别，翻转增强随便开；但数字是有方向语义的符号，翻转之后标签就错了，模型会学出一个矛盾的映射，表现为训练loss震荡不收敛，或者验证集精度莫名其妙地停在某个低值。这个坑非常隐蔽，因为默认配置就是0.5，你不改它就自动开着。我第一次做数字识别时mAP卡在0.6上不去，排查了两天才发现是这个问题。

3.3 训练命令与显存估算

训练命令本身不长，但每个参数都要知道在干什么：

python train.py \ --weights yolov5s.pt \ --data data/digit.yaml \ --hyp data/hyp.digit.yaml \ --img 960 \ --batch 16 \ --epochs 200 \ --workers 8 \ --device 0 \ --project runs/train \ --name digit_v1 \ --cache

参数逐个解释。--weights加载预训练权重，从coco预训练开始收敛快得多，千万别从零开始训，那是浪费生命。--img设置输入尺寸，前面说过数字是小目标，960比640好。--batch是批大小，显存估算有个粗略公式：YOLOv5s在img=640、batch=16时大约占6到8GB显存，显存占用基本和img²×batch成正比。所以从640提到960，面积涨2.25倍，同样的batch=16就要占14到18GB。显存不够怎么办？三条路：降batch、降img、或者用--accumulate做梯度累积。梯度累积的意思是，比如你只有8GB显存，batch只能开到4，那就设--batch 4 --accumulate 4，等效于batch=16的效果，只是速度慢一点，因为前向反向跑了四次才更新一次参数。

--cache把小图缓存到内存里，加速读取，但数据集特别大的时候（比如超过5万张）会把内存吃光，那种情况就别加。--workers是数据加载线程数，一般设成CPU核心数的0.7倍左右，设太大反而因为线程调度开销变慢。另外--rect矩形训练值得开，它会把同一个batch里尺寸相近的图拼在一起，减少padding浪费，对宽高比差异大的数字串图像收益明显。

4. 正式开训：从跑通到调优

4.1 启动训练与日志解读

命令敲下去之后，你会看到一连串输出，开头是扫锚框（AutoAnchor），YOLOv5会自动用k-means在你的数据集上算一遍锚框尺寸，和你默认的coco锚框对比，如果差异大于阈值它就会自动替换。这一步对数字识别挺重要，因为数字框普遍是窄高的矩形，coco的锚框偏方正，自动重算之后召回率通常能提一两个点。然后开始逐个epoch打印日志。

日志里要重点看的几列：box_loss、cls_loss、dfl_loss分别是定位损失、分类损失和分布焦点损失，三个都在下降说明学习正常。P和R是precision和recall，mAP@0.5是IoU阈值0.5下的平均精度，mAP@0.5:0.95是更严格的多阈值平均。数字识别正常的话，mAP@0.5应该在50轮左右就到0.9以上，200轮能到0.98左右。如果50轮还在0.5以下，别急着加epoch，先回去查标签格式和fliplr。

训练结束后在runs/train/digit_v1/下面会生成一堆文件，其中weights目录里有best.pt和last.pt，best.pt是验证集指标最好那一轮保存的，一般就用它。results.csv是每轮的详细指标，results.png把所有曲线画出来了，我习惯先看results.png里的三张图：mAP曲线是否收敛平稳、loss曲线有没有突然跳变、还有学习率曲线是否符合余弦退火预期。如果mAP曲线是锯齿状剧烈震荡，八成是学习率太大或者batch太小导致梯度噪声大。

4.2 训练过程中的观察点与调参动作

训练不是按下开始就不管了，中途有几个信号需要你判断并干预。

第一轮看初始loss。正常的box_loss起点大概在0.05到0.1之间，如果一上来就是0.3以上，说明锚框和你的目标尺寸差太远，或者标签有问题。这时候可以Ctrl+C停掉，检查一下标注。

第二轮看是否过拟合。判断标准是看验证集的cls_loss，如果训练集loss一直降但验证集loss在第30轮之后开始上升，就是过拟合。数据量小于2000张时很容易出现。应对办法有三个：加数据增强的强度、加weight_decay、或者提前停。数据增强里对数字最安全的是translate和scale，mosaic也有用但要配合close_mosaic。

第三轮看学习率。如果前10轮mAP涨得特别慢，可以试试把lr0从0.01提到0.02；如果mAP前期涨得快但后期震荡，就把lrf调大一点让衰减更充分，或者用--cos-lr开启余弦退火。YOLOv5默认用的是线性退火，理论上余弦退火在后期收敛更平滑，我在数字任务上试过几次，确实验证集指标能高0.5个点左右，但差别不算大。

还有一个实用技巧是增量训练。如果你已经有一个训练好的数字模型，后来补标了一批新场景的图，不需要从头训。直接--weights runs/train/digit_v1/weights/best.pt加载自己的权重继续训，学习率调到0.001这种小值，epochs设个30到50就行。这样既保留了原有能力，又能快速适应新数据，比重新训快得多。注意新老数据要混在一起训，只在旧数据上训新模型会灾难性遗忘。

5. 推理与后处理：把检测框拼成一串数字

5.1 detect.py推理与关键参数

模型训好之后，单张图推理用detect.py就够：

python detect.py \ --weights runs/train/digit_v1/weights/best.pt \ --source test_images/ \ --img 960 \ --conf-thres 0.25 \ --iou-thres 0.45 \ --augment \ --save-txt \ --save-conf \ --project runs/detect \ --name digit_test

几个参数值得细说。--conf-thres是置信度阈值，低于这个值的框直接丢掉，数字识别里我一般设0.25到0.3，设太高会漏掉模糊数字，设太低会引入一堆背景误检。--iou-thres是NMS的IoU阈值，这个参数在数字场景下很关键：因为数字之间经常挨得很近，框有重叠，如果阈值设太小（比如0.3），相邻数字的框会被NMS误删，导致"1234"检测成"14"。我建议调到0.5甚至0.6，宁可留几个重复框，也不要把真框删掉。--augment开启测试时增强（TTA），会对图像做多尺度多翻转推理再融合结果，精度能提零点几个点，但速度慢三倍左右。注意TTA里包含翻转，对数字而言可能有副作用，实测下来提升不明显，追求速度的话可以直接关。

--save-txt会把每个框的类别和归一化坐标写到txt里，这是后面拼接的基础。--save-conf会把置信度一起写上，方便你按置信度做二次过滤。

5.2 按坐标排序拼接字符串的代码实现

这是整个流程里最有含金量的一段。检测出来是一堆无序的框，你需要把它们按阅读顺序还原成字符串。核心逻辑是：先按y坐标聚类成行，同一行内再按x坐标排序，然后依次取类别名拼接，小数点单独处理。

from pathlib import Path def load_boxes(txt_path, img_w, img_h, names, conf_thres=0.25): """读取detect.py输出的txt，返回绝对坐标框列表""" boxes = [] for line in Path(txt_path).read_text().strip().splitlines(): p = line.split() cid = int(float(p[0])) xc, yc, w, h = [float(v) for v in p[1:5]] conf = float(p[5]) if len(p) > 5 else 1.0 if conf < conf_thres: continue x1 = (xc - w / 2) * img_w y1 = (yc - h / 2) * img_h x2 = (xc + w / 2) * img_w y2 = (yc + h / 2) * img_h boxes.append({ "cls": names[cid], "conf": conf, "x1": x1, "y1": y1, "x2": x2, "y2": y2, "cx": (x1 + x2) / 2, "cy": (y1 + y2) / 2, "h": y2 - y1 }) return boxes def group_rows(boxes, ratio=0.5): """按y中心聚类成行，ratio是行高判定系数""" if not boxes: return [] boxes = sorted(boxes, key=lambda b: b["cy"]) rows = [[boxes[0]]] for b in boxes[1:]: cur_row = rows[-1] avg_cy = sum(x["cy"] for x in cur_row) / len(cur_row) avg_h = sum(x["h"] for x in cur_row) / len(cur_row) if abs(b["cy"] - avg_cy) < avg_h * ratio: cur_row.append(b) else: rows.append([b]) return rows def read_number(txt_path, img_w, img_h, names, conf_thres=0.25): boxes = load_boxes(txt_path, img_w, img_h, names, conf_thres) rows = group_rows(boxes) results = [] for row in rows: row.sort(key=lambda b: b["cx"]) s = "".join(b["cls"] if b["cls"] != "dot" else "." for b in row) results.append(s) return results if __name__ == "__main__": names = ['0','1','2','3','4','5','6','7','8','9','dot'] # 假设图片是1280x720 print(read_number("runs/detect/digit_test/labels/test1.txt", 1280, 720, names))

这段代码里group_rows的ratio参数是需要按你的数据调的。数字行间距大的话，ratio可以设0.3，防止不同行被合并；行间距很小的话，设0.6左右。判断逻辑是用行内平均框高的比例作为阈值，比写死像素值鲁棒。

还有一个细节是小数点。如果单个点被检测出来但周围什么都没有，拼出来的字符串会以"."开头或结尾，这时候加一条规则：如果结果以"."开头或结尾，或者出现连续的".."，就把它去掉。另外小数点位置如果被识别成了数字，可以结合上下文做一次纠错，比如".5"前面应该有数字。这些都是业务规则层面的补丁，不复杂但很管用。

5.3 模型导出与轻量部署

要在生产环境跑，Python加PyTorch这套太重了，导出onnx是标准做法：

python export.py \ --weights runs/train/digit_v1/weights/best.pt \ --include onnx \ --img 960 \ --batch 1 \ --simplify \ --opset 12

--simplify会调用onnx-simplifier做一次图优化，去掉冗余算子，导出后体积通常能小10%到20%。--opset 12是算子集版本，选12是因为兼容性好，最新的TensorRT和OpenVINO都支持。导出后用onnxruntime跑一遍验证输出是否和PyTorch一致，数值误差在小数点后四位以内就算正常。

部署到边缘设备时有几个优化方向。一是把输入尺寸从960降到640，精度掉一点但速度翻倍。二是用FP16量化，精度几乎不掉，速度提升30%以上，onnxruntime和TensorRT都支持。三是如果设备算力特别紧张，可以考虑INT8量化，但需要准备一批校准图，量化后精度可能掉两三个点，做数字识别要谨慎，因为小数点这种小目标对量化误差很敏感。另外，如果你要做视频流实时识别，建议把预处理（resize、归一化）和后处理（NMS、排序拼接）都写成C++，Python的GIL在流水线上会成为瓶颈。

6. 常见问题与排查实录

6.1 高频问题速查表

这张表里我觉得最值得展开的是"6和9互认"和"相邻数字合并"这两条。前者已经在3.2节讲过原理，后者是数字识别的特有难题。因为相邻数字的框天然重叠，而NMS的默认iou阈值是按通用目标检测设的，在密集小目标场景下偏保守。我的经验值是数字串场景iou-thres用0.55到0.6，同时conf-thres别设太高，让更多候选框进入NMS环节，靠排序拼接时的去重逻辑兜底。

6.2 几个只有踩过才知道的坑

第一个坑是弥散性误检。模型训练完之后，在某些背景纹理复杂的图上，会把一片噪声区域识别成数字串，置信度还不低。原因是训练集里负样本（不含数字的图）太少，模型没学会"什么不是数字"。解决办法很简单，往训练集里塞10%到20%的纯背景图，标签文件留空，让模型知道背景长什么样。空标签文件是允许的，YOLOv5会把它们当作负样本处理，效果立竿见影。

第二个坑是尺度不匹配。你训练时用的是手机拍的近景图，每个数字占100个像素；实际部署时摄像头离得远，数字只有20个像素，模型直接瞎了。这个问题的本质是训练分布和测试分布不一致。解决思路有两个：要么在采集端保证距离一致，要么在训练时做尺度增强，把scale参数调大，或者干脆把训练图统一缩放到比测试图更小的尺寸，让模型适应小目标。我一般会在训练集里刻意混入一批远处拍摄的图。

第三个坑是小数点导致的排序错位。小数点垂直位置通常偏下，如果按y中心聚类时阈值设得太紧，小数点会被单独分到一行，拼出来的结果就变成"12"和"."两行，或者小数点跑到字符串末尾。修法是把小数点参与聚类的权重降低，或者干脆先忽略小数点，把数字排好之后再按x坐标把小数点插回对应位置。这个逻辑稍复杂，但对仪表读数这类场景很有必要。

第四个坑是增量训练后的能力回退。前面提过，新数据混着老数据一起训是对的，但很多人图省事只训新数据，结果老场景的识别率断崖式下跌。我的做法是每次增量训练前备份一版权重，训完在两批数据上分别评估，如果老数据指标掉了超过2个点，就调整新老数据的混合比例重新训。这个习惯帮我避免过好几次线上事故。

最后一个坑是关于验证指标的解读。数字识别的mAP看着很高，0.99都不稀奇，但那个指标衡量的是"框对不对、类别对不对"，它不衡量"排序对不对"。可能出现的情况是每个框都检测正确，但排序逻辑有bug，输出还是错的。所以评估一定要走端到端：拿一批真实图片，跑完整流程，人工核对输出的字符串对不对。我自己的验证集里专门留了100张有代表性的图，每次改完代码都跑一遍，对着打印结果一条条看，这个笨办法比看任何指标都靠谱。

如果你刚开始做这个方向，我的建议是别一上来就想把mAP做到0.99，先用200张图跑通全流程，确认从标注到推理到拼接这一整条链路是通的，然后再逐步加数据、调参数、优化后处理。流程通了之后，剩下的都是工程问题，而工程问题只要有耐心，基本都能解决。