“YOLO 可不行”之后：一个 AI 新手的想法与自我补充

群里有人发了张图。图片里是几辆车，不同角度，车被方框圈出来，边上还有小字——小到看不清。凭直觉判断，那像是某种数据标注的界面截图。紧接着有人发话：能做的联系他。

我当时顺手回了一句：依据 YOLO 不能识别吗？

后面他们把网站发出来了，是做停车场数据标注的。然后群里另一个人回了一句：YOLO 可不行。

我学 AI 时间不长，但恰恰因为不长，我没有那套“这事得多难”的本能敬畏。于是我把整件事从头想了一遍。这篇文章记的是我当时怎么想的、事后验证的结果，以及最重要的——我这个想法里站不住的地方。

我当时的判断：这就是认物

停车场的标注，本质是认物。

既然是认物，就得先看这个场景里到底有什么东西。停车场是个封闭的特定场所，不像开放道路那样什么都可能冒出来。里面的对象翻来覆去无非这几类：人、汽车、自行车、电动车，偶尔可能有宠物。其中占绝对大头的是车和人。

而这两个对象，YOLO 在公开数据集上训练出来的默认模型本来就会认。person、car、bicycle、motorcycle、truck、bus、dog、cat——这些类别它天天在认。

所以我当时的结论是：这件事 YOLO 完全能胜任。当然我没说它能百分百。画面不清晰、被人挡住一半、逆光、车挤车——这些情况它肯定认不准，甚至认不出来。这个我心里有数。

我的方案：按置信度分层

既然 YOLO 可以逐帧去处理视频，思路就顺出来了：不要让人去逐帧标几十万张图，而是让机器先标一遍，人只处理机器拿不准的那部分。

• 高置信，直接过。车辆、行人识别出来并且很完整，置信度比如超过 80% 的，无需人工审核，直接采纳。
• 中间地带，快速审核。完整度或置信度落在 50%–80% 之间的，进入快审队列，人看一眼点确认，或者把框拖正。
• 低置信或无判断，人工处理。置信度很低、或者干脆没法判断的，这部分才需要人工逐帧去审核、标记或者重标。

逻辑很简单：把人宝贵的时间，只花在机器没把握的地方。

事后我把这套想法拿去问 AI，得到的答案是：还真有类似的工具，而且这条路在工业界有正式名字——模型辅助标注（model-assisted labeling）、预标注（pre-annotation）、人在回路（human-in-the-loop）。现成的东西就有：CVAT 可以挂模型做自动标注，Roboflow 有自动标注，X-AnyLabeling 内置了 YOLO 和 SAM，Label Studio 也能接机器学习后端。

一个从直觉推出来的想法，发现别人早就做成产品了，这挺让人高兴。就算没有现成工具，我觉得只要思路清晰，用 AI 把它做出来也不难——毕竟核心组件都是现成的。

漏洞一：最大的麻烦不是框错，是根本没框

我的分层方案默认了一个前提：模型输出的每个框都会进入流程，等待被人处理。可如果 YOLO 压根没检出来呢？

那辆车、那个人，它没画框，就不会出现在任何队列里，人压根不知道那里有个东西需要看。低置信度会被拎出来审核，漏检连被审核的资格都没有。而在标注这类任务里，漏标的代价往往比框得稍微歪一点大得多——你交付的数据里少了一辆车，下游模型就永远学不会那种角度的车。

所以要加一道：专门抽查“零检出”的帧和画面区域，专门打假阴性（false negative）。必要时故意把检测阈值压得很低、做多尺度推理，先把候选统统召回上来，哪怕混进一堆错的，再用第二道精度把关筛掉——先召回，后精确。

漏洞二：视频别逐帧硬标

我当时说的是逐帧识别，方向没错，但效率不是最优。视频是连续的，同一辆车在第 1 帧、第 2 帧……第 30 帧都在，只是位置变了。如果每一帧都当成独立图片去检测、去确认，人力浪费很严重，而且会出“闪烁”：同一辆车这一帧有框、下一帧没了，标注一致性直接崩掉。

工业做法是用目标跟踪（tracking，比如 ByteTrack、BoT-SORT）把同一个对象跨帧关联起来，给它一个稳定的 ID；人在关键帧上确认一次，中间帧由插值自动生成，只在抽查时复核。这叫关键帧标注加帧间插值，比逐帧做省一半以上人力，质量反而更稳。

漏洞三：直接拿公开权重，是不够的

停车场大多是监控视角：斜着俯拍、地下车库光线昏暗、画面压缩严重。这跟 YOLO 训练时那些自然拍摄的照片差异很大，行话叫域偏移（domain gap）。直接拿官方权重上去跑，效果往往不如演示视频里那么漂亮。

靠谱的路径是迭代：先人工精标两三百到五百个样本，用这批数据微调（fine-tune）一个模型；用这个更贴合现场的模型去做预标注；标错的、模型拿不准的样本回收起来再训一轮。这叫主动学习，也叫数据飞轮——模型越用越准，人工越来越少。比起直接拿 YOLO 顶上去，中间差的这一步，才是真正值钱的工程经验。

漏洞四：客户要的往往不是一堆框

停车场真正有价值的是结构化数据，不是框本身。车牌号（要接 OCR / 车牌识别）、车位是空还是满（常常需要分割或专门的车位检测模型）、车型颜色品牌、充电桩车位是否被占用、有没有人摔倒或滞留……这些属于属性标注，YOLO 原生的检测头做不了。

还有各种长尾对象：轮椅、婴儿车、购物车、路桩、宠物。宠物也许还能认，轮椅不一定。这些类别一旦客户要，就得单独定义、单独训练。

最关键的一点：对方其实没错，我们说的不是同一件事

这是我想明白之后最大的修正。

那个人讲的是：这活儿能不能靠 YOLO 全自动搞定、直接给甲方交差。答案是不能。数据标注公司真正的资产不是“会认车”，而是规范与质控：框要贴边到什么程度、被遮挡一半的车框要画可见部分还是整个、截断的车怎么算、多人标注的一致性（IoU 达标率）、抽检比例、交付准确率 98% 还是 99.5%、出了错谁签字负责。

我讲的是：能不能用它来大幅提速。答案是能。

这两个答案可以同时成立。他不是在否定技术，是在否定“没有流程、没有质控、没有人签字就交付”。他卖的是数据服务，我谈的是降本工具，我们本就不在同一个层面上争论。

如果让我重做，我会这样搭

• 先定规范。类别字典、框的画法规则、遮挡与截断的口径、IoU 合格阈值、抽检比例。没这一步，后面全是白干。
• 冷启动。挑 200–500 张有代表性的帧人工精标，微调一个 YOLO。
• 预标注。剩下的视频用这个模型跑检测，配合 tracking 做 ID 关联，关键帧插值。
• 三层关卡。高置信自动通过，中间区间人工快审，低置信人工处理——外加一道专门的漏检复查。
• 质控。5%–10% 抽检、多人交叉一致性检查、争议样本统一口径。
• 看板与迭代。盯召回率、精确率、IoU，把难例挖出来回炉再训。

写在最后

一个我原本以为很简单的想法，真正往下推才发现，难点根本不在于认不认得出。漏检、跨帧一致性、领域适配、属性延伸、质控与合规——这些才是真正吃掉成本的地方。

但方向我依然认为没错：用 AI 来生产 AI 的数据，让模型给模型造饲料，已经是成熟路径了。我这几个月做的事也是同一个逻辑：想清楚目标，划好边界，让 AI 干掉前 80% 的重复劳动，人守住最后那 20% 的判断权。

这句话刚好能接上上一篇 From Zero Code to a One-Person Company：AI 会替代掉大量重复工作，但要不要、够不够好、我认不认，这件事目前还留在人手里。

群里那句“YOLO 可不行”，现在回头看，是我这几个月收获最大的一句话之一——它逼着我把一个直觉，推成了一套能落地的东西。