演示里跟得住，开业后跟丢了

屏幕上那个框

推销视频识别的人常放一段录像：镜头对着货架，屏幕上有个框，跟着顾客手里那瓶饮料一路走。讲解员说，它能一直盯住这个商品。

这段录像多半拍在总部或者样板店，光打得匀，货架前没什么人。真装到店里，早高峰一过，运维发现数对不上。回看录像才明白：不是没识别出来，是从某一秒起，框跟到了旁边同款的那一瓶，或者跟到了下一个顾客手上。

跟丢在门店长什么样

有三种形态，混在一起看很容易都归成「识别不准」。

换了目标。 同类商品并排摆着，包装只差一个色块。系统原本锁着左边那瓶，某帧之后锁到了右边。框一直有，形状也对，位置差了几厘米。

断跟。 顾客的手挡了一下，或者有人从货架前走过。遮挡结束后，系统重新找了个最像的目标接上，接错了人。

身份记错。 同一个人在两段画面里被当成两个，或者两个人被合成一个。这类错误直接体现在计数上：重复计或者漏计。

前两种在单帧画面上几乎看不出来，因为每一帧都有一个像样的框。它们的共同点是：系统照常工作，报表照常有数，只是数不对。

为什么压小之后更容易漂

门店设备要同时跑几路视频、要无风扇、要控制成本，模型常被压到 8 位，激进一点压到 4 位。

分类任务对这种事比较宽容：最终只取一个类别，特征里的小扰动大多被后处理吸收。但跟踪要回答的是「哪一个是它」——这个判断依赖特征里差别很小的那些方向。压缩先吃掉的往往正是这些方向。结果就是框还在，形状也合理，对象换了。

这解释了一个常见现象：同一套模型在演示机上跟得稳，换到便宜一档的盒子上就漂。不是算法退步，是模型的敏感部分先被压坏了。

验收该看什么

用店里的录像，不用演示视频。 至少覆盖三段：早高峰、逆光时段、同类商品并排的货架。长度不必长，两三分钟够看出问题。

看身份连续性，不看单帧准确率。 人工挑一个目标，从头看到尾，记下它有没有在中途变成别的东西。这个动作比算平均框重合度更接近门店的真实损失。

把计数口径写清楚。 「拿起」「放下」「带走」分别算什么，重复计数和漏计要分开统计。很多争议不是模型错，是双方对同一个动作的理解不同。

同一份模型换台设备重跑。 量化后的表现和芯片、推理引擎绑在一起，同一份文件在另一种盒子上未必是同一个结果。

要求给出身份切换次数。 只给平均精度的报告，看不出跟踪功能能不能用。让对方报「一段录像里目标身份切换了几次」，这个数更难修饰。

什么情况下不必上跟踪

如果业务只关心「这一帧里是什么」——比如放在秤上称重、扫一下条码——单帧识别就够，跟踪是额外成本，还会带来新的验收负担。

如果只需要知道「有没有人经过」，红外对射或者简单的移动检测更便宜，也更稳。

跟踪真正的价值在事件：谁在什么时候拿起了什么、放回了什么。只有业务要靠这些事件出结论时，才值得为它付算力和验收的代价。

一句话

跟踪功能的问题很少是「看不见」，多是「看错了对象」。而看错对象这件事，只有把画面连着看一遍才会暴露——所以验收的时候，别只看截图，看录像。