直接答案：先明确要给整图分类、定位物体、分割像素还是读取文字，再选择模型与标注方式。上线前必须按真实相机、光照、压缩和人群分布建立独立测试集，报告每类 precision/recall、漏检和误检，而不是只看演示图片。
本文面向需要做技术选型或落地验收的中文读者。所有会随版本变化的接口、价格、硬件支持和功能可用性，都应在实施当天回到官方页面复核；本文复核日期为 2026-09-07。
先判断：这个任务真正要解决什么
按任务选择图像分类、目标检测、分割或 OCR，并用真实数据验收。开始前把业务目标写成可验证条件，避免把“能运行”“返回了结果”误当成质量达标。
| 序号 | 决策问题 | 验收方式 |
|---|---|---|
| 1 | 任务是分类、检测、分割还是 OCR | 记录证据、负责人和通过条件 |
| 2 | 标签、框或掩码的定义与一致性 | 记录证据、负责人和通过条件 |
| 3 | 漏检和误检的业务代价 | 记录证据、负责人和通过条件 |
| 4 | 端侧延迟、隐私、漂移和人工复核 | 记录证据、负责人和通过条件 |
核心原理与适用边界
- 分类只输出整图类别，检测增加位置，分割给出像素区域。
- 总体准确率会掩盖少数类，应查看每类指标和混淆矩阵。
- 相机、光照、裁剪和压缩变化都可能造成分布漂移。
这些原则只说明技术机制，不代表任何特定产品在你的数据、硬件或组织流程中必然更快、更准或更省。若官方材料没有披露某项实现，应明确标为未知，而不是根据营销名称推断。
从基线到上线的执行步骤
- 第 1 步：写清输出、拒识条件和错误成本
- 第 2 步：按主体或来源去重后划分数据
- 第 3 步：检查图片许可、隐私与标注一致性
- 第 4 步：用预训练模型建立简单基线
- 第 5 步：评估每类 precision/recall、误检和漏检
- 第 6 步：在目标设备测延迟并监控漂移与申诉
每一步都要保存输入版本、配置、输出和验收结论。遇到失败先缩小范围并保留原始证据，不要为了让演示通过而修改测试口径。
建议保存的验收记录
| 记录项 | 最低要求 | 失败时处理 |
|---|---|---|
| 范围与版本 | 代码、数据、模型、依赖、硬件和日期可追踪 | 冻结发布，补齐版本后重跑 |
| 质量证据 | 与固定基线按相同输入和指标比较 | 定位数据、提示、模型或系统层原因 |
| 安全与权限 | 最小权限、敏感数据处理、失败模式均有验证 | 撤销权限或回滚到安全版本 |
| 发布与恢复 | 灰度范围、监控阈值、负责人和回滚命令明确 | 停止扩量并执行已演练的回滚 |
常见风险与失败模式
- 近重复图片跨集合会造成数据泄漏
- 人脸、医疗等高风险识别不能只靠单一模型决策
- 阈值改变会同时影响漏检和误检
- 训练数据授权不等于允许识别所有真实用户
风险较高的业务应增加人工复核和独立安全测试。本文不把公开资料整理写成编辑部实测，也不提供无法复现的速度、准确率或收益数字。
常见问题
只要官方示例能运行就可以上线吗？
不可以。官方示例用于说明能力或接口，仍需用你的数据、权限、负载和失败场景验证，并保存可以回放的结果。
为什么必须保留基线？
没有相同输入和相同指标的基线，就无法判断新方案是否真正改善，也无法在故障时确认回滚是否恢复。
版本变化后需要全部重做吗？
至少应重跑与变化范围相关的确定性检查、核心质量集、安全边界和恢复演练；重大模型、框架或数据变更应做完整回归。
下一步与一手来源
可继续阅读：结构化信息提取、图像分类数据与指标验收、模型微调与评测。这些内链分别帮助补齐模型路由、对话系统和 Agent 治理边界，不替代本文缺失内容。
一手与原始资料：MediaPipe Image Classifier、MediaPipe Object Detector、PyTorch Transfer Learning、Google ML Classification、NIST AI RMF。访问与事实复核日期：2026-09-07。
