第一章：参数排查总纲——建立系统化排查思维

做数据标注打标，最怕什么？

最怕效果不理想，你还不知道问题出在哪。

我见过太多人，上来就调参数。调完跑一遍，不行再调。折腾一整天，结果还不如默认参数。为什么会这样？说白了，就是没有系统化的排查思维。

这一章，我们就来聊聊怎么建立这种思维。你把它吃透了，后面29章才能用得上。

1.1 为什么需要系统化排查？

先讲个我自己的经历。

几年前我负责一个医疗影像标注项目。模型打标效果一直很差，召回率不到60%。我当时第一反应是调阈值，从0.5调到0.3，又从0.3调到0.7。折腾了两天，召回率上去了，精确率又掉下来了。

后来我才发现，问题根本不在阈值上——是数据预处理阶段的一个归一化参数写错了。

你想想看，如果一开始就按系统化的方法排查，我至少能省下一天半的时间。

1.2 参数间的耦合关系

很多参数不是独立的。它们之间会互相影响，这就是耦合。

我习惯把参数耦合分成三类：

耦合类型	说明	典型案例
强耦合	改一个参数，另一个必须跟着改	学习率与批大小（batch size）
弱耦合	改一个参数，另一个可能受影响	置信度阈值与交并比阈值（IoU）
无耦合	两个参数完全独立	输出格式与模型精度

举个例子。你调高了置信度阈值，按理说精确率应该上升。但如果你同时改了IoU阈值，结果可能完全相反。这就是弱耦合在捣鬼。

1.3 从现象到根因：逆向推理法

效果不好，你看到的是现象。但根因往往藏在背后。

我总结了一个三步逆向推理法：

1. 描述现象——把"效果不好"具体化。是漏标多了？还是误标多了？还是边界不准？
2. 列出可能原因——每个现象背后可能有3-5个原因。全部列出来，别漏。
3. 逐一排除——从最可能的原因开始，用实验验证。

举个例子：

• 现象：标注框比实际物体大一圈
• 可能原因：锚框尺寸不对、后处理参数偏大、数据标注本身就有偏差
• 排查顺序：先看数据标注（最容易验证）→ 再看后处理参数 → 最后调锚框

1.4 系统化排查的完整流程

下面这张图，是我这些年总结出来的排查流程。你照着走，基本不会漏掉关键环节。

1.5 排查前的准备工作

别急着动手。先做好三件事：

• 记录当前参数配置——截图也好，导出配置文件也好。万一改乱了，还能回退。
• 准备测试集——固定一批样本，每次跑完都在这批样本上验证。别今天用这批，明天用那批。
• 定义"达标"标准——精确率到多少算达标？召回率到多少算合格？没有标准，你永远不知道什么时候该停。

1.6 常见误区

最后，说说我见过最多的几个误区：

误区	表现	正确做法
盲目调参	看到效果不好就调，没有明确方向	先分析现象，再定位根因
一次改多个	同时改了好几个参数，不知道哪个起作用	每次只改一个，跑完一轮再改下一个
忽略数据质量	总觉得是模型参数的问题	先检查数据标注本身有没有问题
不记录过程	改完就忘，下次遇到同样问题还得重来	建立排查日志，记录每次修改和结果

嗯，这一章的内容就这些。记住一句话：系统化排查不是慢，而是快——因为它让你少走弯路。