自动收集高分样本有助于复盘，但自动加入正常库可能把缺陷也学习进去。
数据归档、人工确认和训练发布是不同权限。正常定义随产品变化时需要版本隔离，库更新会改变距离分布和旧阈值。
一、问题的范围与前提
成像质量、数据分布、算法与业务判断各自有条件。清晰图像提供可观察细节，模型和规则解释输入，业务层决定结果如何使用。视野、曝光、颜色、姿态与输入尺度变化，都可能在模型参数不变时改变结果。
二、技术分析与方案取舍
自动归档可以保存候选，是否作为正常训练数据还需要可靠审核。若把模型低分全部当正常，漏检缺陷可能反过来污染库，进一步降低敏感度。型号、成像和版本分开组织，更新后对固定正常与缺陷集回归。旧库与阈值一起保留，让回退能恢复完整条件，而不只是换一个文件名。
先固定输入和处理版本，保存必要中间产物，再比较单项变化。裁剪、缩放和配准要携带坐标关系，输出回到原图时检查尺度与偏移。数据按正常和困难条件分别组织，不把反光、遮挡或采集失败从报告中悄悄删掉。
三、实现与排查的顺序
- 区分候选归档与训练入库。
- 保留样本来源和审核。
- 按型号版本组织库。
- 发布前重跑固定集。
按这个顺序保留中间结果，可以区分输入条件、处理过程和最终输出。前一阶段的条件不成立时，先解释对应错误，再继续后面的试验；单次返回成功不足以覆盖整条链路。
最小示例
1
2
3
按地点/设备/对象/视频段划分数据
训练、验证、测试保持需要的独立性
保留近重复检查、标注争议与困难条件
随机分帧可能让同一背景出现在多组，夸大泛化效果。划分维度按部署变化选择，模型错误不能成为临时剔除测试样本的理由。
四、验证和结果解释
独立样本应覆盖预期工况，逐条预测与错误图支持复盘。分类、检测、定位和异常任务使用各自指标定义，阈值工作点与曲线指标不能混用。性能同时记录冷启动、稳态、尾部耗时和资源峰值，不挑最快一张代表整套系统。
| 需要验证的结果 | 保留的对照 | 不能由此推出的结论 |
|---|---|---|
| 异常不会自动成为正常 | 固定输入与配置、对应输出 | 一次成功代表所有条件成功 |
| 版本回退能恢复旧库 | 中断前后状态与错误阶段 | 没有报错代表结果正确 |
| 阈值与库版本成对保存 | 恢复后的同条件复测 | 临时恢复代表根因已经消失 |
验证无目标、多候选、边界、遮挡和不同光照。没有有效观测时给出明确失败或待确认，不为每张图强行选一个目标。图像文件真实保存和完整解码也属于链路检查，热力图漂亮不能替代缺陷真值与业务验收。
五、适用边界与结论
在线更新需防止无意漂移，不把低分样本全部当作正确正常。
这条路径把“区分候选归档与训练入库”与“发布前重跑固定集”连在一起，中间保留可复查的条件。实施时优先确认“异常不会自动成为正常”，再检查“阈值与库版本成对保存”；两者都满足，才能在当前样本与配置范围内评价方案。设备、数据或软件版本改变以后，相关假设需要重新验证。
