企业官网建设流程全解析

在 Custom Vision 中对比不同域：IoT-For-Beginners 库存检测器（Stock Detector）域切换与效果评估指南

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

导读

本文围绕 IoT-For-Beginners 零售（Retail）模块第 1 课"训练库存检测器"的课后作业展开，讲解如何在 Azure Custom Vision 中为对象检测项目切换不同的域（Domain），并通过重新训练与测试，对比各域对"货架商品库存检测"这一场景的实际效果。读完本文，你将掌握 Custom Vision 域切换的完整操作路径（Settings → 选择新域 → Save changes → 重训 → 测试新迭代）、科学的对比测试方法，以及如何依据 Precision、Recall、mAP 和预测概率来判定哪个域更优。

一、任务背景：为什么库存检测器需要对比域

在《训练库存检测器》一课中，你已在 Custom Vision 门户中创建了一个名为stock-detector的对象检测项目，并在创建项目时选择了Object Detection项目类型与Products on Shelves（货架商品）域。Custom Vision 提供多个预训练域，每个域针对不同的图像类别和场景做了优化：

• General（通用）：适用于一般对象检测场景，覆盖类别广但无特定领域优化；
• Products on Shelves（货架商品）：专门针对检测商店货架上的库存商品而设计，与该课程中检测番茄酱罐头、腰果桶等"货架陈列商品"的目标高度匹配；
• Logo、General (compact)等：分别面向徽标识别与可导出到边缘设备的轻量模型场景（compact 域为轻量模型，支持导出到设备端运行）。

创建项目时的域选择界面如下图所示（图中项目名为stock-detector、资源为stock-detector-training [F0]、项目类型为 Object Detection，域已选中Products on Shelves）：

课后作业的核心命题是：既然创建时有多个域可选，那么对于你的库存检测器，各个域的实际表现如何？哪一个能给出更好的结果？这要求你不仅要会切换域并重训模型，还要能用一套可重复的测试流程量化对比，最终给出有依据的结论。

二、域切换的完整操作流程

根据作业要求，切换域的操作路径如下：

1. 打开你的stock-detector项目，点击顶部菜单中的Settings（设置）按钮；
2. 在设置页中选择一个新的域（例如从 Products on Shelves 切换为 General，或反向操作）；
3. 点击Save changes（保存更改）按钮；
4. 重新训练（retrain）模型，等待训练完成（该课程使用Quick Training（快速训练）选项，通常需要几分钟）；
5. 使用基于新域训练出的新迭代（iteration）进行测试，而非旧迭代。

💡 注意：切换域后必须重新训练。域决定了模型底层的特征提取器与场景先验，旧迭代仍基于原域训练，无法代表新域的效果。测试时应确认使用的最新迭代版本为新域训练所得。

三、测试与结果对比方法

训练完成后，按以下方法进行对比测试：

1. 使用Quick Test（快速测试）按钮上传测试图片，验证对象是否被正确检测。必须使用训练时未用过的测试图片——课程强调"使用你之前创建的测试图片，而不是任何用于训练的图片"，否则无法客观评估泛化能力；
2. 依次测试你拥有的全部测试图片，观察每个检测框的概率值（probability），并记录下来；
3. 对每个候选域重复上述 1-2 步，保证同一组测试图片、同一测试环境，这是对比公平性的前提。

典型的检测结果界面如下图所示——Quick Test 检测出图片中的 3 罐番茄酱，分别给出 38%、35.5% 与 34.6% 的置信度，右侧面板还能显示迭代版本与预测阈值（Predicted Object Threshold）：

对比时建议重点观察：

• 检测框数量是否正确：是否漏检（少框）或误检（多框、错框）？
• 置信度分布：同一批图片在不同域下，概率整体偏高还是偏低？
• 边界框贴合度：框是否紧贴物体（该课程在标注时强调"保持框紧贴对象"），域差异有时会反映在定位精度上。

四、对比实验的推荐步骤

为了让结论可复现、可引用，推荐按如下实验流程组织对比：

1. 固定测试集：挑选 5-10 张覆盖不同角度、光照条件且包含所有目标对象的测试图片（可复用课程 images 目录下 testing 子目录中的示例图，如腰果与番茄酱图片）；
2. 基准记录：先记录当前 Products on Shelves 域下各图片的检测结果（检测对象数、概率值）；
3. 切换域：按上文流程切到另一个域（如 General），保存并重训；
4. 重测：用同一测试集重跑 Quick Test，逐图记录结果；
5. 汇总对比：制作表格，对比各域的漏检数、误检数、平均置信度，以及是否检测出所有对象；
6. 给出结论：结合检测准确性与置信度，明确说明"哪个域在你的库存检测器上表现更好"，并分析原因（例如 Products on Shelves 因针对货架商品场景优化，通常对番茄酱罐头这类货架商品更具优势）。

💁 该课程提供的训练图片（training 与 testing 目录）即按"货架商品"思路拍摄——模型面向货架上的商品设计，照片也应尽量把物体摆在类似货架的环境里拍摄。

五、评估标准（Rubric）解读

作业附带的评估表给出了两个核心评分维度，可作为自我检验清单：

可以看出，作业的重点不只是"会切换域"，而是完整的对比闭环：切换 → 重训 → 测试 → 对比 → 论证。第一项满分与合格的标准相同，说明操作本身不是难点；真正的区分度在第二项——能否给出有数据支撑、有分析深度的对比结论。

六、深化评估：Precision、Recall 与 mAP

在反复训练与测试之外，还可以借助 Custom Vision 训练完成后给出的模型评估指标来量化域之间的差异。课程明确指出，训练对象检测器时会看到Precision（精确率）、Recall（召回率）与 mAP（平均精度均值）三项指标：

• Precision：检测出的结果中真正正确的比例，衡量"误检"的多少；
• Recall：所有真实对象中被成功检出的比例，衡量"漏检"的多少；
• mAP（mean Average Precision）：综合精确率与召回率在不同置信度阈值下的表现，是对象检测任务中最常用的综合评分。

切换域并重训后，对比同一验证集上的这三项指标，能比单纯看单张测试图的概率更全面、更客观。结合 Quick Test 的逐图概率记录与这三项指标，即可形成"定量指标 + 实测样本"的双重证据链，支撑最终结论。

💁 类似的评估思路在项目前一模块中亦有体现：可参考 4-manufacturing/lessons/1-train-fruit-detector/README.md 中关于重训图像分类器的讨论——分类器同样可能给出意外结果，需要通过预测结果回灌训练来持续改进。

七、注意事项与后续衔接

• 资源限制：该课程使用免费层 Custom Vision 资源（stock-detector-training、stock-detector-prediction），免费层每个账户通常只有有限的训练与预测资源配额，反复重训不同域时应注意资源用量与清理（可参考课程中的清理说明 clean-up.md）。
• 图片规范：训练图片须为 png 或 jpeg、小于 6MB，若使用 iPhone 等设备拍摄的高分辨率 HEIC 图片需先转换与压缩。
• 迭代管理：每次重训都会生成新迭代，测试时务必确认选中正确的迭代版本（测试界面的迭代下拉框中可查看）。
• 下一步衔接：完成域对比后，可进入下一课《在设备上检查库存》，将选定域训练出的模型部署到 IoT 设备端进行实际库存检测——域的最终选择将直接影响边缘端推理效果。

总结

域是 Custom Vision 对象检测项目在创建时就定下的重要配置，它决定了模型适配的场景先验。本作业通过"切换域 → 重训 → 同测试集对比 → 论证结论"的完整闭环，帮助你建立机器学习实验对比的方法论：固定变量、量化观测、以数据和指标说话。完成对比后，你可以基于结论为库存检测器选择最合适的域，为后续的设备端部署（5-retail/lessons/2-check-stock-device/README.md）打下坚实基础。相关作业原文可见 translations/en/5-retail/lessons/1-train-stock-detector/assignment.md，完整课程内容见 5-retail/lessons/1-train-stock-detector/README.md。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners