但随着学习和实践不断深入，我逐渐接触了 HALCON、OpenCV、C++、Qt、YOLO、U-Net、ONNX 和 TensorRT，也开始参与尺寸测量、目标检测、语义分割、视觉定位和模型部署等项目。刚开始学习时，各种陌生的名词接踵而来：工业相机、光源、ROI、边缘提取、模板匹配、相机标定、目标检测、语义分割……大家好呀，我是一名研二学生。从最开始连 HALCON 是什么都不知道，到现在能够理解

在 AutoDL 平台开展任务时，可充分利用其适配 AI 训练的特性提升效率。前期选配置要结合任务匹配：小数据集用 RTX 3090/4090足矣，大数据集或多模型对比选 A100（80G），系统镜像优先选预装的 “PyTorch 2.1.0 + CUDA 12.1”，省去环境配置时间，存储需预留数据集 + 权重 + 日志 2-3 倍冗余，避免中途中断。本人从事大气科学研究方向，目前研二，已经使用

相比之前在学校中的实验，这一次最大的不同是，面对的不再是公开数据集，而是真实生产环境中的产品图像。也正是在这个过程中，我第一次感受到工业视觉算法与学校实验之间的区别：算法只是其中的一部分，如何获取有效数据、分析现场问题，并让模型适应真实环境，同样是视觉算法工程师需要面对的重要工作。根据项目需求，对不同型号的螺丝进行类别划分，并标注对应的位置框，为后续模型训练提供数据基础。为了让模型能够适应真实生产

完成螺丝检测 Demo 的数据采集和标注后，我开始进行第一次模型训练。当时采用 YOLO 系列目标检测算法作为检测方案，目标是实现不同规格螺丝的自动识别、数量统计以及混料判断。项目使用的是海康机器人 500 万像素工业相机进行图像采集。第一次训练完成后，我发现模型效果并没有达到预期。刚开始遇到这些问题时，我第一反应是调整模型参数或者更换网络结构。但经过分析后，我发现工业视觉项目中，模型效果不好并不

在检查数据和模型之前，还需要先确认一个容易被忽略的问题：这个任务是否真的适合按照当前方式进行目标检测？相互重叠的螺丝是否必须全部识别？只露出一部分的螺丝是否计数？位于图像边缘、目标不完整的螺丝是否参与判断？两种外观非常相似的螺丝，能否仅通过当前拍摄角度区分？混料判断依据是“出现其他类别”，还是“数量和类别同时满足条件”？同一颗螺丝出现不同姿态时，是否仍然属于同一个类别？如果这些规则没有提前统一，那

完成螺丝检测 Demo 的数据采集和标注后，我开始进行第一次模型训练。当时采用 YOLO 系列目标检测算法作为检测方案，目标是实现不同规格螺丝的自动识别、数量统计以及混料判断。项目使用的是海康机器人 500 万像素工业相机进行图像采集。第一次训练完成后，我发现模型效果并没有达到预期。刚开始遇到这些问题时，我第一反应是调整模型参数或者更换网络结构。但经过分析后，我发现工业视觉项目中，模型效果不好并不

这篇文章适用于计算机专业所有同学。