错误类型#

• 漏检：目标存在但没有预测框。

• 误检：背景或无关物体被预测为目标。

• 类别错：框位置对但类别错。

• 定位差：框偏移、过大或过小。

• 数据问题：标注本身错误或图片质量太差。

目录组织#

1
error_cases/
2
  missed/
3
  false_positive/
4
  wrong_class/
5
  bad_box/
6
  label_issue/

目录名直接对应错误类型，后面回看时不用重新判断。

记录字段#

除了保存图片，还应该记录模型版本、数据版本、预测参数、错误说明和建议动作。否则过一段时间就只剩一堆不知道为什么保存的图片。

如何使用错误案例#

如果同类错误集中出现，就补充对应场景数据；如果错误来自标注问题，就先修数据；如果是小目标普遍漏检，再考虑输入尺寸、模型结构或训练策略。

实战复盘#

复用《视觉模型错误案例整理》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《视觉模型错误案例整理》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

错误案例库是模型迭代的导航。把错误分门别类，比盲目继续训练更能找到改进方向。