视觉模型效果停滞，先排查数据质量

视觉模型效果卡住，下一步一定是换架构、调学习率吗？dev.to 的一篇文章把排查重点放到了数据集：错标、漏标、标注规则不一致，以及采集视角覆盖不足，都可能让模型反复学习错误信号。作者提出四步数据质量反馈框架，尝试把难例筛选、问题诊断和定向修复串成循环。

目前能确认什么

文章给出的流程是：隔离难样本与失败子集、对错误进行分类、识别数据质量缺陷、定向整理和修复数据集，再进入下一轮检查。

第一步不是只盯着总分，而是找出模型具体在哪些样本上出错。节选列出的线索包括预测不确定、分类损失较高、检测框位置偏差较大，以及高置信度误报；还展示了用 FiftyOne 筛选候选样本的代码。

这里需要区分两件事：难样本可能来自标注错误，也可能确实难识别。模型与标签不一致，只能作为检查入口，不能直接判定标签有错。

mAP（平均精度均值）等汇总指标便于比较整体效果，却不能单独说明夜间、雨天或少数类别的表现。作者因此强调，检查应落到具体场景和错误类型。

节选没有展开第二步的完整分类方法，第四步也被截断。目前能确认作者主张定向修复，无法还原全部操作细节。

我的判断

训练效果停滞时，数据检查应该成为与调参并列的排查项。

对维护视觉业务的程序员，更具体的动作是把误报、漏检按场景归组，再核对原图、标签和预测框。如果同类目标的框选规则前后矛盾，先统一规则，比继续围绕这些标签调参更有依据。

但节选不足以支持「瓶颈通常都在数据」这一普遍结论，也没有给出完整的修复前后验证。修过哪些样本、如何避免只改善已挑出的难例、独立验证集是否同步受益，仍要等完整内容确认。难例筛选是诊断起点，不能直接当作修复成效。