AI 影像辨識導入前，要準備哪些資料？

瑕疵檢測、人流分析、物件辨識和安全監控都使用影像，但資料需求完全不同。展示模型可能在精選照片上表現良好，到了現場卻受到陰影、反光、遮擋、鏡頭位置與新品影響。建立資料集時要把現場變化當成設計條件，而不是上線後才處理的意外。

01先定義輸出與可以接受的錯誤

同一張影像可以做分類、框選、分割、計數或追蹤，所需標註和評估方式不同。專案要先說明系統在哪個時間點輸出什麼結果、誰會使用，以及漏掉目標和誤報各自造成什麼影響。例如安全警示可能偏向降低漏報，產線剔除則要同時考慮誤殺成本。不要只寫「準確率要高」，應分別定義重要類別、允許延遲、最低可見尺寸與人工覆核流程，這些條件會直接決定資料蒐集和模型門檻。

02蒐集真實場域中的各種變化

訓練資料要涵蓋不同班別、季節光線、背景、角度、距離、遮擋、速度與設備狀態，而不是只在安裝當天拍攝一批清晰照片。若產品有顏色、材質、批次或包裝差異，每種都應列入蒐集計畫。正常影像和容易混淆的負樣本同樣重要，例如反光看起來像裂痕、陰影像異物。可先做場域變因表，記錄每張影像的來源和條件，避免資料量很多，實際卻集中在單一情境。

03固定拍攝與檔案管理規格

正式攝影機的鏡頭、解析度、曝光、快門、光源和安裝高度會改變物件外觀。早期可用手機快速驗證概念，但驗收資料應盡量來自預定設備與位置。影像需保留拍攝時間、場域、產品或事件識別碼，並避免轉傳壓縮破壞細節。涉及人員、車牌或敏感場域時，要先設定蒐集目的、權限、遮罩、保存期限和刪除流程。資料品質與隱私規則若沒有從入口固定，後續補救成本會很高。

04讓標註規則可被不同人一致執行

標註指南要說明類別定義、邊界畫法、重疊物件、模糊影像、部分遮擋與無法判斷時如何處理，並附上正反例。先由多人標同一小批資料，比較分歧，再修正規則；若專業人員自己都無法一致判斷，模型也難以學到穩定界線。標註要保留版本與審核紀錄，新類別出現時不能直接混入舊資料。高風險或罕見案例可採雙人覆核，並讓現場人員參與，避免標註只符合開發團隊的理解。

05按場景切分資料並持續回收誤判

訓練、驗證與測試資料若來自同一段影片的相鄰畫面，數字可能很好看，卻不能代表新日期或新產線。應按時間、設備、地點或批次切分，保留模型未見過的獨立場景作最終驗收。上線後則收集誤報、漏報、低信心和新產品影像，由人員確認後加入後續評估。每次重訓要保留資料與模型版本，並用固定測試集比較，避免修好新問題卻讓原有類別表現退步。

好的影像資料集不是一次完成的資料夾，而是一套能持續蒐集、標註、驗證與追蹤版本的流程。先用小範圍真實場景建立基準，再逐步增加變化，通常比先堆大量網路圖片更接近實際上線需求。

常見問題