99POS

先分清三种「识别率掉了」

同样一句「识别不准了」，背后是完全不同的三件事，处理方式也不同：

判断这一步做错，后面的动作全是浪费。把「全品类一起掉」当成模型退化去要求重训，往往只是镜头上一层油污。

定位用三个动作就够了

1. 看错误集中在哪个时段。分白天和夜间各统计一次识别情况。集中在一个时段，基本是光照。
2. 看错误集中在哪些商品。调出出错记录，按商品归类。集中在小部分 SKU，是商品侧；分散且随机，才考虑模型本身。
3. 换一台设备交叉验证。把同一批商品拿到另一台正常的收银台上过一遍。如果那边没问题，问题在这台设备。

做这三件事之前，先留几张出错的真实画面（只截商品区域）。没有现场帧，任何一方都只能靠猜。

三种处理方式，代价从低到高

第一档：改硬件与摆放。 补光、调整摄像头俯角、让商品不要堆得太靠边、清理镜头。这一档最便宜，也最常被跳过。门店很多「识别率下降」是物理原因，改完当天就好。

第二档：现场校准 / 自适应。 让模型用门店当前的真实画面做一次轻量调整，比如重新标定数值范围和归一化统计量。特点是快——不用重新采数据、标注、训练、下发一整套流程。适合环境变了、商品没变的场景（换了灯、换了摄像头、季节光照差异大）。

代价是：它只在小范围内自我修正，需要有人看着结果，避免连续用低质量数据去调，把模型越调越偏。做之前要求对方给出回滚方式，出了问题能退回上一版。

第三档：重新训练。 品类结构真的变了——新上一大类的无条码商品、包装全线换代——才需要走到这一步。周期最长，要经过采数据、标注、训练、评测、下发。别把它当成第一反应。

顺序建议：先物理环境和摆放 → 再考虑现场校准 → 最后才是重训。

验收别只看一个平均数字

评估识别效果时，要求按维度拆开看，而不是接受一个笼统的总体准确率：

• 按品类：无条码品类（果蔬、烘焙、卤味）单独统计，不要和有条码商品混在一起平均
• 按时段：白天、夜间分开
• 按错误类型：错成同类商品、还是错成价差很大的商品——后者的损失完全不同

平均数字会掩盖问题。一个总体的高比例，可能来自大量有条码商品的顺带命中，而无条码品类的表现才是收银效率的关键。

把处理流程写进合同

采购或续约时，问清楚三件事：

1. 识别效果下降时，走什么流程、谁来判断、响应时间多久？
2. 现场校准由谁做、多久能做一次、要不要额外付费？
3. 门店能自己改灯、改陈列、换摄像头吗？哪些动作会影响识别，需要提前告知？

这些问题比参数表上的数字有用。设备本身差别不大，识别下降之后能不能快速恢复，才是长期成本的差别。