一个口罩识别模型的完整旅程：从采集图片到交付上线

这是一个真实客户场景的完整还原（细节已脱敏）：某连锁药房需要在全部门店执行口罩合规。本文按时间线记录这个二分类模型从零到上线的每一步、每一步的产出物与耗时。

目标与契约

消费方是客户的识别系统：输入单张人员抓拍图，输出"戴口罩概率"。书面契约三条——输入 1×3×64×64 RGB 除以 255；输出 2 维 logits（softmax 由系统侧调用）；输出末位为"未戴口罩"概率，阈值 0.5。契约先行，后面所有环节都围绕它执行。

全流程时间线

• 第一天：采集与建库；
• 第二天：标注与质检；
• 第三天：训练与调参；
• 第四天：导出验证与加密交付；
• 第二周：上线试运行与 v2 迭代。

第一天：采集与建库

从门店现有摄像头导出两周内不同时段的抓拍约 900 张（佩戴口罩与未佩戴口罩大致各半），打包上传。平台在线解压，按文件哈希去重后剩 863 张。管理员创建数据集时预设两个类别——with_mask（戴口罩）、without_mask（未戴口罩）——注意顺序：消费方要求"未戴"在输出末位，而字典序恰好满足，创建时即锁定。压缩包子目录名与预设类别一致的图片自动打标入库。

第二天：标注与质检

两名标注员在工作台对自动打标兜不住的散图点选类别，自由填类名的入口不存在。规范里写明：口罩拉到下巴按"未戴"标，模糊图进待定池。当天完成全部标注，管理员抽检 20 张全部合格，顺手把采集混进来的 17 张无关图（测试截图等）批量删除。

第三天：训练

创建训练任务：轻量分类底座、输入 64×64、30 个 epoch、batch 32，提交给内网 GPU Worker。训练 38 分钟完成，验证集（分层抽样 20%）top1 精度 96.4%，逐 epoch 曲线在管理端实时可见。第一次精度只有 91%，排查发现"未戴"类里混入一批戴口罩但被口罩遮住大半张脸的远景图——按规范移入待定池后重训，达到 96%。

第四天：验证与交付

一键导出 TorchScript：导出工具自检（输出 shape、与训练基准对位、加载回归）全部通过；三端一致性验证（Python/Go/Java 各 20 张对比）全绿；末位类别校验确认 without_mask 在最后一位。生成 AES 加密交付包，为客户识别系统签发一年期 License。消费方按他们文档里的验收脚本 torch.jit.load 后喂入随机张量，输出形状 [1,2]——验收通过。

上线后的迭代

试运行一周，收集误判样本 41 张：多为口罩拉到下巴、用手半遮的场景。回流平台标注后，与原数据合并训出 v2，验证集精度 97.1%，同样的门禁走完再交付替换。此后每季度例行迭代一次。全程没有算法工程师驻场。

三条经验

1. 契约先行：输入输出与类别顺序在第一天就写下来，能省掉最贵的返工；
2. badcase 是最值钱的数据：v2 的提升全部来自试运行回流的那 41 张图；
3. 流程走通比单点精度更重要：第一次跑通的流水线，后续新场景按天复制。

相关阅读：数据标注怎么做才高效、模型交付的三道关。