把“识别得好”变成可复核的条件
先选一个明确工位，把识别对象、完成条件、异常类型和业务后果写清楚。相同画面应由业务人员给出一致的参考判定；分歧先复核，不急于计算总分。
验证样本应区分正常与异常，覆盖计划使用的产品、班次、光照、遮挡与作业节奏，并与训练数据区分。没有覆盖的条件，应列为适用范围之外或待验证项。
不要只看一个“准确率”
- 漏检
- 在人工确认的异常样本中，有多少未被系统识别？按异常类型分别报告数量、比例和样本量；没有异常样本时，不能报告“漏检率为零”。
- 误报
- 在人工确认的正常样本中，有多少被判为异常？同时观察每班次复核量，避免整体比例掩盖现场负担。
- 作业步骤与顺序
- 区分“动作发生”“步骤完成”“顺序正确”；约定事件匹配时间窗，并记录遗漏、重复与错误顺序。
- 现场运行
- 按约定的工位数量、输入质量和持续时间验证延迟、断网、异常恢复与人员处理流程，不能只测单个算法环节。
每项结果都要带上统计单位、样本量、时间范围、产品与模型版本、相机条件及人工复核方法。验收阈值由项目双方在测试前约定，不使用一套数字承诺所有工厂。
案例里的数字，分别能说明什么
- 视频时长、帧数、阶段片段数：说明已处理的资料与输出规模，不代表识别准确率。
- 关键帧和标注条数：说明数据准备进度，不代表完成生产验收。
- 条码解码耗时：只说明对应解码环节，不能当作整套装箱核验的响应时间。
- 数据导入校验问题为 0：说明对应检查通过，不代表生产准确率，也不能证明没有漏检或误报。
阅读案例时，先看它处于样本准备、验证还是正式生产阶段，再看结果在什么条件下成立。查看案例与证据范围 →
投入产出，先建立同口径基线
实施前记录现有复核耗时、返工报废、异常追溯耗时及相关成本；实施后在相近产品、产量和时间窗口下比较，并单列工艺、人员或设备同时变化的影响。
收益只计入有依据的节省或损失减少，避免人工节省与产能收益重复计数。成本应包含软件、硬件、实施、维护、数据准备和新增复核工作。没有可靠基线时，先验证可行性，不给出回本周期承诺。
试点结束，做出一个明确决定
- 继续上线：达到事先约定的指标，运行条件与责任分工得到确认。
- 限定使用：仅在已验证的产品、工位和条件内使用，未覆盖部分保留人工流程。
- 补条件再验证：先调整光照、机位、样本或异常定义，再重新测量。
更换产品、相机、工艺或模型后，要判断原验收是否仍然适用。了解两种训练模式与运行条件 →