Labelme

核心问题：怎么让一个“不会看”的模型，学会识别工业零件表面的划痕？ 质检员的 0.5 秒困境 想象你是一个质检员，面前是传送带上飞速流动的钢板。每秒几十张，你要在 0.5 秒内判断：这张有没有划痕？有没有夹杂物？有没有裂纹？ 人眼做不到。但神经网络可以。 目标——用深度学习，把这双"眼睛"训练出来。从 CNN 的底层原理开始，经过 YOLO 目标检测实战、LabelMe 数据标注，到用 trace-cn 辅助写训练代码，最终走完**“标注→训练→推理”**的完整闭环。 CNN 基础：卷积神经网络到底在"看"什么？ 从生物视觉到数学公式 CNN 的设计灵感来自人类视觉皮层。你看到一张照片，不是逐个像素分析的——你先看到边缘，再看到形状，最后组合出"这是一张脸"。CNN 干的是同样的事： 浅层卷积核提取边缘、纹理（“这里有条线”） 中层把边缘组合成形状（“这是个圆形”） 深层把形状组合成语义（“这是个齿轮”） 核心操作是卷积：一个小的权重矩阵（比如 3×3）在图像上滑动，每个位置做加权求和。一个 3×3 的卷积核只有 9 个参数，却能扫描整个图像——这就是参数共享的威力。全连接网络处理一张 224×224 的图片需要上亿参数，CNN 可能只需要几万。 为什么卷积核能提取特征？ 假设你有一个检测水平边缘的卷积核： [[-1, -1, -1], [ 0, 0, 0], [ 1, 1, 1]] 当它滑过图像时，遇到"上暗下亮"的区域，输出值就很大；遇到均匀区域，输出接近零。所以卷积核本质上就是一个模式匹配器——每个核负责匹配一种特定的视觉模式。 池化层：压缩但不丢失 卷积之后通常接一个池化层（最常见的是 2×2 最大池化）。它做的事情很简单：把 2×2 区域里的最大值保留下来，其余扔掉。 为什么这么"浪费"？因为池化做了两件事： 降低计算量：特征图尺寸减半，参数量降到 25% 增加鲁棒性：目标稍微平移一点，最大池化的输出不变 这就像你看一个人，不需要记住他脸上每个像素的位置，只需要知道"眼睛在鼻子上面"这种相对关系。 训练的三驾马车：损失函数、学习率、早停 损失函数衡量模型预测和真实值的差距。不同任务用不同的损失： 分类用交叉熵（“你预测是猫，但其实是狗，惩罚！"） 目标检测用 CIoU Loss（同时考虑框的重叠面积、中心距离、宽高比） 分割用 Dice Loss（对小目标特别敏感，比如医学影像里的肿瘤） 学习率控制每次更新参数的步长。太大了来回震荡，太小了原地踏步。实际训练中常用自适应学习率（如 Adam），它会根据梯度自动调整步长——梯度大就小步走，梯度小就大步跑。 ...

不锈钢筷子头挨着头、反光闪瞎眼，OpenCV 霍夫圆直接投降。这个小项目走了一遍从传统 CV 到深度学习的完整路径。 那些反光的筷子头，把 OpenCV 逼疯了 事情是这样的：要数一把不锈钢筷子有多少根。听起来很简单对吧？拿个相机拍一下，数圆圈就行了。 用 OpenCV 的霍夫圆变换（HoughCircles）试了一下——惨不忍睹。不锈钢顶部的金属反光和阴影被边缘检测器当成独立实体，满屏幕乱飞的假阳性圆圈。筷子头挨得又近，阴影轮廓互相粘连，算法根本分不清这是 16 根筷子还是 2 个异形物体。 更要命的是调参。换个光照条件，param1、param2 又得重来。换个桌面背景，再来一遍。这不是写代码，这是在做手工。 这就是传统 CV 的死穴：它只认几何形状，不认"东西"。霍夫圆变换的逻辑是"找到符合圆方程的像素点集合"，它不理解"这是一根筷子的截面"这个概念。光照一变、角度一变、排列一变，像素梯度就变了，算法就废了。 为什么 YOLO 能搞定 YOLO 的思路完全不同。它不是在像素层面找几何形状，而是从数百万张图片里学会了"什么是筷子头"。它理解的是语义特征，不是像素梯度。 具体到这个场景： 问题 OpenCV (霍夫圆) YOLO 不锈钢高光 把光斑误判为实体 能通过上下文推理出这是光斑 筷子头紧密排列 把多个物体融合成一个 擅长分辨紧密排列的多个实例 换光照/换背景 每次都要重调参 一次训练，到处通用 简单说：OpenCV 是"按规则找"，YOLO 是"凭经验认"。规则怕变化，经验怕没见过——但筷子头这种常见物体，YOLO 的训练集里见得多了。 从标注到训练：三步走 第一步：安装标注工具 先检查 Python 版本： python --version Python ≥ 3.9 → 用 LabelMe，支持圆形/多边形标注，本项目用的就是它 Python ≤ 3.8 → 建议用 LabelImg，只支持矩形框，但兼容性更好 💡 LabelMe 依赖的 pyqt5 在 Python 3.8 以下版本经常装不上，折腾半小时不如直接换工具。 ...