視覺檢測 POC 如何避免資料偏差

視覺 POC 最常見的陷阱不是模型不夠強，而是訓練與測試資料太相似。同一批產品、同一段影片或相鄰影格被分到兩邊時，模型可能只是記住背景與拍攝條件。

先畫出資料是怎麼產生的

影像不是獨立樣本。它通常隸屬於某個時間、批次、設備、操作員、材料與環境。盤點時要保留這些來源資訊，才能知道資料是否只代表少數條件。

常被忽略的變因

如果同一物件的連拍影像同時出現在訓練與測試資料，結果會明顯高估。更接近真實的方法，是按批次、日期、設備或場域切分，讓測試集模擬未來會遇到的新條件。

POC 最好保留一組到最後才開啟的封存測試集，避免反覆調整時不小心對測試資料過度適配。

「這算不算缺陷」如果連現場人員都沒有一致標準，模型也不可能得到清楚答案。標註規範應包含邊界案例、忽略條件與複核流程，並記錄哪些樣本存在爭議。

類別定義每一類的必要與排除條件

邊界規則尺寸、位置與嚴重度門檻

複核流程不一致時由誰做最終判定

版本紀錄規則改變時哪些資料受影響

總體準確率會掩蓋少數但重要的缺陷。驗收時應分別看漏報與誤報，並按缺陷種類、嚴重度與場域條件拆開。漏掉高風險缺陷與多攔下一件良品，通常不是相同代價。

原料、製程、設備與拍攝設定會持續改變。系統需要保存必要的模型版本、判斷結果與人工修正，定期檢查錯誤是否集中在新條件，並建立重新收集、標註與驗證的流程。

因此 POC 的交付不只是一個模型檔，也應包含資料版本、切分規則、測試結果、已知限制與未來監測方式。