面对客户对深度学习样本和接手问题的担忧，本文从产品视角出发，通过数据、周期、接手三笔账，深入剖析传统机器视觉与深度学习的选型逻辑。八成项目混着用，但谁当主力、谁跑龙套，每个项目都不一样。PM的价值不是替客户选，而是把技术选择题翻译成客户答得上来的业务问题。

去年有家做精密结构件的客户来公司考察。技术总监看完整场演示，问的第一个问题是：“你们这套用了深度学习吧？”销售说是，他点头。可参观快结束的时候，他又折回来，压低了声音问：“有没有不依赖深度学习的版本？”

销售没接住，回来问我：这客户到底想要什么。

我听懂了。

他不是反对深度学习，他在担心两件事：一是样本——缺陷图要攒多少、谁来标；二是接手——设备上了产线，半年后模型不对劲了，谁管。两个担心都不在“准确率”上，在账上。

这个系列写到第六篇，选型阶段被问得最多的就是这道选择题。这篇把它摊开算。不比谁更先进，只算三笔账：数据的账、周期的账、客户接不接得住的账。结论先放这儿：三笔账算完，八成项目的答案是“都要”，但谁当主力、谁跑龙套，每个项目都不一样。

一、先把两种算法翻译成产品语言

教科书说，传统机器视觉基于规则，深度学习基于数据。这话对，但没用。我自己的翻译就一句话：区别不在算法，在“谁来定义缺陷”。

传统算法，工程师用参数定义缺陷。边缘提取、Blob 分析、模板比对、灰度统计，最后落到一组阈值上：划痕超过多少毫米算 NG，脏污面积超过多少像素算 NG。缺陷是什么，写在检测方案的配置表里，工程师说了算。

深度学习，数据用样本定义缺陷。规则不写了，给几百上千张“这是划痕、这不是”的图，模型自己学。缺陷是什么，写在训练集里，样本说了算。

这么一翻译，两个很实际的东西就浮出来了。

第一个是变更成本。客户质量部把标准挪一挪——“轻微划痕以前放行，现在要拦”——传统算法是工程师改参数，个把小时的事；深度学习是重新收样本、重新标注、重新训练、重新验证，一轮下来按周算。同一个变更，成本差一个数量级。这一点，客户在采购阶段多半没想过，你得替他想到。

第二个是可解释性。传统算法拦下一件产品，理由说得出口：划痕实测 1.2 毫米，阈值 1.0，NG，单据打出来谁都服。深度学习拦下来，理由是“模型判定脏污，置信度 92%”。92% 是什么？质量体系审核的老师不认，客诉追溯的时候你也拿不出更硬的话。汽车、医疗这类行业，这一条能一票否决——不是算法不行，是体系不认。

二、第一笔账：数据从哪来，够不够

深度学习的门票是标注样本，这张票不便宜。我的经验值：只做 OK/NG 判级，几百张能跑起来；要框出缺陷位置和类型，每个类型 500 张起步，2000 张以上才敢往合同指标里写。

麻烦在于，常见缺陷不缺样本，致命缺陷永远缺样本。脏污、轻微划痕天天有，一个月攒几千张；可最容易流出去、赔得最狠的那种罕见缺陷，一个月就几张。攒一年，不够训一个稳的类别。而客户上设备的动机，常常就是冲着那个罕见缺陷来的。先有鸡还是先有蛋：不上设备，攒不到样本；攒不够样本，训不了模型。

破局的办法有，就是别把话说死：先上传统算法或者人机结合的过渡版本，边检边攒，攒够了再升级。这个节奏要写进方案里——销售不会自动替你讲。

传统算法不吃样本，吃工程师时间。POC 阶段的差距很直观：传统算法，工程师带着工具到现场，对着产线调两三天，demo 就出来了；深度学习，采图两周、标注一周、训练调优一周，一个月没了。客户等不等得起，要提前问。

说两个我都经手过的场景。

正面的是手机盖板玻璃的外观检测。划痕、脏污、崩边，形态千变万化，同一类缺陷在反光、纹理、位置干扰下长得都不一样——判定规则根本写不出来。传统算法怎么调，过杀率都压在 15% 上下，复判人力一个没省。换深度学习，过杀压到 3% 以内。而且这种场景样本源源不断：每天几百张复判图回收，模型越用越准——上一篇讲的训练集回收，就是给这种场景准备的。规则写不出来、样本管够的，深度学习完胜。

反面的是个想“一步到位”的客户，指名要全 AI 方案，连尺寸测量也要深度学习端到端做。结果呢？像素当量标定加亚像素边缘算法，测量精度能做到二十分之一像素；深度学习回归尺寸，精度差一个量级，还讲不出 NG 理由。最后乖乖换回传统算子。这不怪深度学习，是把长跑运动员派去举重。

三、第二笔账：换型和变更，等多久

产线不是静态的，这笔账要看变更的频率。

换型，传统算法是工程师到场重新调参，一到两天；深度学习是新样本重新采集、标注、训练、验证，顺利的话两周。客户一年换四次型，差距乘以四，就是产线干等的时数。

解法我总结成两个。技术上的：预训练模型加少量微调，换型时 300 到 500 张新样本做增量训练，一周内交付。机制上的：把“换型要重新标数据”这件事在交付那天就讲明白，并且给工具——标注界面、待标图片的智能排序，模型最没把握的图排在最前面，标三百张顶一千张。千万别让客户在第二次换型时才发现“原来还要标数据”，那是信任塌方的时刻。

不过有一类变更，天平倒向另一边：客户自己收紧质量标准。传统算法碰到规则级的修改，有时要推倒重来；深度学习把样本按新标准重标一遍、重新训练就行——改的是数据，不是结构。判定标准三天两头变的产线，反而是深度学习的舒适区。

所以周期的账不是谁快谁慢，是你的产线变更属于哪一种。

四、第三笔账：上线之后，谁接得住

这笔账最容易被跳过，因为爆雷在验收之后。

深度学习模型会漂。灯管衰减、来料批次变化、季节温湿度，都会让图像分布慢慢挪位。半年前验收 95% 的准确率，悄悄变成 90%，没人说得清是哪天变的。接住漂移要一套机制：样本库持续回收、定期离线评估、按季度迭代训练。机制要有人盯。那么问题来了：客户的设备科，有没有这样的人？

我经手的项目，落地就三种接法。

客户有自动化团队——设备加平台一起交付，客户自己的工程师管迭代。汽车零部件大厂常见，中小厂基本没这个配置。

客户没人——托管服务，按年收服务费，我们远程盯评估报告、按期出迭代版本。大部分中小制造厂的现实选择。注意，这意味着深度学习的商业模式里天然有一笔年费，签单前要讲清楚。

客户没人、也不想付年费——那就老老实实传统算法。把机械结构、光源、触发时序做扎实，一套传统方案跑五年不漂。这不是退步，是诚实。

硬把深度学习卖给接不住的客户，验收那天大家都好看。半年后模型漂了没人管，复判人力反弹，设备在客户内部被判“不好用”，传到行业圈子里，砸的是自己的口碑。

五、真实答案：八成项目是混着用

写到这儿别误会，实践中这道题很少是二选一。八成项目的主流架构是混合：传统算子管定位、测量、有无，深度学习管外观、判级、分类。

一条典型的检测流水线长这样：传统算法定位产品、裁出检测区域；传统算法完成尺寸测量和有无判断；外观那块裁图喂给深度学习模型分类判级；最后结果合并，统一输出判定。深度学习只出现在它该出现的那一段，前后都有传统算子把守。

道理不复杂：定位和测量要精度、速度和可解释，模板匹配和亚像素边缘稳；外观缺陷要的是“规则说不清、看得多了就认识”，这恰好是深度学习唯一不可替代的长处。

这对检测软件的产品形态是个硬要求：两种算法必须是同一个流程编排里的两类节点，不是两套拼接的系统。客户配方案时，拖出来的是“边缘测量节点”和“DL 判级节点”，参数界面一个风格，日志输出一个格式。深度学习节点也得有参数界面：置信度阈值、拒判区间、低置信度送复检的规则。说白了，把黑盒嵌进白盒流程里，配置体验和一个滤波器一致——做到这一步，客户对深度学习的恐惧就消了一半。

六、PM 的动作：把选择题翻译成三个问题，把报价单拆开

回到开头那位考察的客户。销售把问题带回来之后，我们做的第一件事不是回答“用不用深度学习”，是回给客户一张三个问题的清单：

第一问，你的缺陷判定标准，能不能用一句话写清楚？能，传统算法优先——准、快、可解释。

第二问，写不清楚的，样本攒不攒得够、标不标得起？攒不够又等不了，先上过渡方案，边跑边攒。

第三问，上线之后谁来管模型迭代？没人，要么托管服务，要么别上深度学习。

三个问题客户都答得上来，答案拼一起，选型自己就出来了。这套问法不是我发明的，是被客户教育出来的——早年我拿着算法对比表去讲，客户听完只记住了“深度学习更先进”，单子最后卡在“再研究研究”。后来换了打法，先问这三句，会议反而好开了。PM 在这道题里的价值，不是替客户选，是把技术选择题翻译成客户答得上来的业务问题。

还有件小事，影响很长远：报价单拆开列。算法授权，传统算子包和深度学习授权分开；标注服务，一次性；迭代服务，年费。三行分开写。深度学习不是免费的魔法，你要是把它的成本藏进设备总价，客户第一次提迭代需求时才发现“原来还要另付钱”，那时候的谈判最难看。丑话说在签合同前，后面全是体面。

下一篇，我想把第二笔账里埋的线头抽出来展开：标注数据管理的产品设计——样本库怎么建、版本怎么冻结、训练集怎么划、客户自己标注的门槛怎么降到质检员能上手。上篇有读者留言问训练集 7:2:1 的门道，正好接着说。如果你正在“上不上深度学习”的节点上，评论区说说你的场景，我帮你把三笔账粗算一遍。

（系列前篇：《我所了解的机器视觉检测产品应用（4）：把算子做成产品，参数、公差、复检逻辑怎么设计》《（5）：检测数据反哺制造端，从判级工具到数据资产》）