一、课程导论与项目全景：深度学习缺陷检测概述、工业场景痛点、课程项目架构与学习路径
1.1 为什么是深度学习缺陷检测？
大家好，欢迎来到这门实战课。先聊聊我自己的经历。
几年前，我接手过一个手机屏幕质检项目。产线上用的是传统机器视觉——打光、滤波、找边缘、设阈值。一开始还行，但换了个型号的屏幕，误检率直接飙到 30%。产线组长天天找我，说「你这算法还不如老师傅肉眼快」。
后来我换成了深度学习模型。训练一个分类网络，把良品和缺陷品分开。效果怎么样？误检率降到 2% 以下，而且换型号只需要重新标注几百张图，微调一下就行。
说白了，传统视觉靠人写规则，深度学习靠数据学特征。工业场景里，缺陷种类多、形态变化大、背景复杂，写规则写到崩溃是常有的事。深度学习正好补上这块短板。
核心观点：深度学习缺陷检测不是要替代传统视觉，而是解决传统视觉搞不定的「长尾问题」——那些规则写不清楚、阈值调不稳定的场景。
1.2 工业场景的痛点，你大概率也遇到过
我这些年跑过不少工厂，发现痛点其实很集中。列个表，你看看中了几条：
| 痛点 | 具体表现 | 传统方案为什么不行 |
|---|---|---|
| 缺陷种类多 | 划痕、脏污、气泡、缺角、毛刺…… | 每种缺陷都要单独写规则，维护成本高 |
| 缺陷形态变化大 | 同一种划痕，长度、深度、方向都不一样 | 固定阈值很难覆盖所有情况 |
| 背景复杂 | 产品表面纹理、光照变化、反光 | 预处理流程越来越长，效果还不稳定 |
| 样本不平衡 | 良品几万张，缺陷品只有几十张 | 传统分类器直接偏向多数类 |
| 实时性要求高 | 产线节拍 2 秒一件，甚至更快 | 复杂规则链跑不动，深度学习模型又太大 |
嗯，这里要注意。很多团队一上来就追求「高精度」，结果模型跑在 GPU 上都要 500 毫秒，产线根本接不住。我见过一个项目，模型精度 99.5%，但推理速度 1.2 秒，最后只能砍掉一半的检测点——得不偿失。
避坑提醒：我曾经在一个 PCB 检测项目里，花了两周调模型精度，从 97% 提到 98.5%。结果部署时发现，模型大小 200MB，产线工控机根本跑不动。后来换成轻量模型，精度 97%，但速度提升了 5 倍。精度和速度的平衡，比单纯追精度更重要。
1.3 课程项目架构：一个完整的闭环
这门课不是只讲理论，也不是只给代码。我带大家走完一个完整的项目闭环：从数据采集到模型部署，每一步都动手做。
先看整体架构：
你看，这个架构图里有个关键点：最下面那条反馈回路。很多团队做完部署就结束了，但产线数据一直在变——新缺陷出现、光照变化、产品改型。没有数据回流，模型精度会慢慢下降。我见过一个项目，部署三个月后精度从 98% 掉到 85%，就是因为没有做持续迭代。
1.4 学习路径：30 章，从入门到部署
这门课一共 30 章，我把它分成 5 个阶段。每个阶段解决一个核心问题：
- 基础篇（第 1-5 章）：环境搭建、数据采集与标注、PyTorch 快速上手。你不需要是深度学习专家，有 Python 基础就行。
- 模型篇（第 6-12 章）：分类网络选型、损失函数设计、数据增强、训练技巧。我会带着你调参，告诉你哪些参数「动一下就有用」，哪些「调了也白调」。
- 优化篇（第 13-18 章）：模型剪枝、量化、蒸馏。这部分是部署前的关键一步。我踩过很多坑——比如量化后精度掉 5 个点，后来发现是校准集没选对。
- 部署篇（第 19-25 章）：ONNX 导出、TensorRT 加速、C++ 推理、Docker 容器化。你会把模型真正跑在产线工控机上。
- 实战篇（第 26-30 章）：完整项目复盘、性能监控、持续迭代策略。最后做一个端到端的项目，从数据到部署全走一遍。
学习建议：我个人习惯是「先跑通，再优化」。别在第一周就纠结精度 99% 还是 98%，先让整个流程跑起来。看到模型能出结果，你才有信心继续调。我每次带新人都是这个思路——先跑通 baseline，再谈优化。
1.5 你需要准备什么？
硬件方面，一张 NVIDIA GPU（GTX 1060 以上就行，我当年用 1080Ti 跑了好几年）。如果没有，云 GPU 也可以，我会在第一章教你怎么配置。
软件方面，Python 3.8+、PyTorch 1.10+、CUDA 11.x。别担心版本问题，我会提供一份经过验证的环境配置清单。
嗯，最后说一句。这门课不是「看完就忘」的那种。每章都有配套代码和数据集，你跟着敲一遍，比看十遍都管用。我当年学深度学习，就是靠一个项目一个项目地啃下来的。
准备好了吗？我们开始。