一、为什么是“视频级小样本 + 边缘实时”

• 小样本刚需：外观缺陷类别多、分布稀疏，传统“先攒上万张再训练”的思路上线慢、换线更慢。
• 视频级标注效率：同一工位的视频连续性强，SAM2 支持点/框互动后沿时间传播分割，标注效率通常成倍提升。
• 端侧实时：线边相机+Jetson/工控机要在毫秒级给出结果，YOLOv10 这类端到端、免 NMS 的结构能显著压缩延迟。

二、核心原理与整体流程

三、实例｜汽车冲压件“擦伤/凹坑/拉伸纹”缺陷线边上线

背景：某冲压线换模频繁，历史样本少且分布变动；要求从导入到试运行 ≤ 5 天，并保持 ≥ 25 FPS。

数据与训练

• 视频采集：3 段各 40 秒，1080p@30fps；抽帧 + 连续段标注。
• 标注：SAM2 半自动分割，人工校正 300~500 帧，导出掩膜+框。
• 训练：YOLOv10-s 作为主干；增广含颜色扰动/镜头轻微偏摆；10~30 epoch 早停。

部署与指标（试点周）

四、实施 SOP（可直接勾选）

1. 光学固定化：统一相机角度、曝光与偏振；白底优先；避免随手调整焦距。
2. 采集清单：良品≥60%，典型缺陷≥30%，边界件≥10%；每类至少 100 张或 20 秒视频片段。
3. 半自动标注：先做 20% 样本的高质量掩膜，再在相邻帧传播与修正；形成标签审核清单。
4. 训练对照：YOLOv10-n/s 双走线；设置早停；保留 10% 视频帧作验证集。
5. 边缘量化：TensorRT FP16→INT8 两阶段；每次量化后用相同验证集回归 KPI。
6. 上线验收：用“本周换模”作为压力测试，记录适配时长、检出率与误报率；保存“失败样本库”。

五、趋势判断与选型建议

• 数据工程优先级上移：视频级半自动标注将成为标配；数据治理能力比单模型精度更关键。
• 端到端与免 NMS：更少的后处理 = 更稳的延迟，适合线边实时；建议优先选这类结构。
• 检测+分割“双轨”并存：检测保节拍、分割保边界；两者标签一次生成、按需启用。
• 增量学习常态化：把“换线/换模”纳入周度微调计划，持续沉淀失败样本库与模板工程。

六、常见坑位与规避

七、交付物清单（建议）

• 《采集与标注规范.pdf》：相机/光学/曝光/标注操作指南。
• 《数据集结构与版本约定.md》：训练/验证/测试拆分、标签格式（检测+分割）。
• 《模型卡与量化回归表.xlsx》：FP16/INT8 指标对照、阈值与连帧参数。
• 《上线验收表.xlsx》：节拍、检出率、误报率、换模适配用时、失败样本链接。