020、项目总结与展望：构建端到端的智能视觉系统深夜两点，屏幕上的检测框还在抽搐般抖动。产线上传回的图像里，同一个工件在连续三帧中分别被识别成三种不同类别——这已经不是模型精度的问题了，是整个视觉管线在真实环境下的系统性崩溃。我们调了三天阈值，换了两种后处理，最后发现是相机曝光策略和模型预处理的归一化方式不匹配。那一刻我突然意识到：把YOLO跑在demo里是一回事，把它塞进一个要连续工作三年的嵌入式设备里，完全是另一场战争。一、从模型到系统的认知跃迁很多团队在部署YOLO时，注意力还停留在mAP那几个百分点上。但真实场景里，模型精度只是入场券。上周遇到个典型案例：某安防设备的mAP在测试集上达到82.3%，部署后夜间误报率却飙升。拆开日志一看，红外补光开启时ISP自动做了锐化增强，而训练数据全是日光下的原始图像——数据流经的每个环节都在悄悄改变特征分布。# 典型的预处理陷阱defpreprocess(image):