先明确一件事
不是越多越好，而是「覆盖得够全」
深度学习缺陷检测所需样本没有固定数字：缺陷形态越多样、判定要求越严格，需要的样本越多。关键不是样本总数，而是覆盖度——每种缺陷形态、每种批次差异、每种允许的正常纹理变化都需要被覆盖到。样本不足时应缩小检测范围或明确承认边界，而不是硬上模型。
「需要多少张样本」是被问得最多的问题之一，也是最容易得到敷衍答案的问题。诚实的回答是：没有固定数字，取决于缺陷的形态复杂度与判定严格度。
比数量更重要的是覆盖度。如果一种缺陷有 5 种不同形态，而你只提供了其中 1 种的样本，那么另外 4 种在检测时大概率会被漏掉——哪怕你提供了 1000 张这一种形态的图。
另一个容易被忽略的是合格品的多样性。模型需要知道「什么是正常的」，而正常品的纹理、批次色差、光照波动范围都需要被覆盖，否则会把正常的波动判成缺陷，造成大量过杀。
选型维度
缺陷形态复杂度
形态单一（如规则孔洞）所需样本少；形态多变（如划痕、褶皱）所需样本多。
缺陷严重度跨度
从轻微到严重都要覆盖。只提供极端明显的缺陷，会导致临界缺陷漏检。
合格品多样性
不同批次、不同光照条件、不同纹理的正常样品都要覆盖，否则过杀率高。
判定严格度
要求漏检率极低时，需要更充分的样本与更保守的阈值，过杀率会上升。
是否需要像素级定位
只判「有没有」比「在哪里、多大」所需样本少。像素级分割的标注成本高得多。
视野与像素采样
别把像素当量当成检测精度
在实践中，样本收集往往比模型训练更耗时。很多项目在启动时以为「算法是难点」，做到一半才发现真正的瓶颈是「凑不齐覆盖全面的样本」。
因此建议在项目启动阶段就把样本收集列为独立任务，明确由哪一方负责、以什么标准收集、多久交付一批。
| 场景 | 样本策略 | 说明 |
|---|---|---|
| 缺陷形态单一且明显 | 少量样本即可起步 | 但仍需覆盖合格品多样性 |
| 缺陷形态多样 | 按形态分类收集 | 每种形态都要有代表样本 |
| 稀缺缺陷（很少发生） | 借助小样本生成或合成补充 | 需验证合成样本的实际有效性 |
| 判定要求极严格 | 扩大样本 + 保守阈值 | 接受一定过杀率换取低漏检 |
光源与打光
样本的成像条件要与现场一致
如果样本是在实验室理想条件下拍的，而现场光照与振动不同，模型在现场的表现会明显下降。
样本要覆盖真实批次差异
同一材料不同批次的颜色、纹理、反光都可能有差异。只用一批样本训练，换批就可能大面积误判。
标注质量决定上限
标注不一致（同一形态时标时不标）会直接限制模型表现。标注规范需要提前制定并统一执行。
负样本同样重要
只给缺陷样本、不给足够合格样本，模型会倾向于把什么都判成缺陷。
算法选择
小样本并非完全无解，但有明确的前提条件与边界。合理的路径是先用小样本快速验证可行性，再根据验证结果决定是继续补充样本还是调整检测范围。
异常检测
只学正常样本的分布，把偏离判为异常。
- 对缺陷样本需求低
- 对合格样本覆盖度要求高
迁移学习
基于预训练模型微调，降低对样本量的要求。
- 可显著减少所需样本
- 仍需覆盖关键形态
数据增强
通过旋转、亮度扰动等方式扩充样本。
- 提升鲁棒性
- 不能替代缺失的形态覆盖
小样本生成
用生成方式补充稀缺缺陷样本。
- 缓解稀缺缺陷问题
- 生成样本的有效性需实测验证
通信与联动
样本收集需要跨部门协作：生产提供实物、质量定义标准、工程负责拍摄与标注。把这件事当作项目任务来管理，而不是「顺手攒一攒」，是项目能否按期落地的关键。
- 01定义缺陷类型与量化标准
- 02确定样本收集责任方与批次计划
- 03按标准拍摄与标注
- 04首批样本快速验证可行性
- 05根据结果评估缺口
- 06补充样本或调整检测范围
- 07固化模型与判定阈值
- 08现场试运行并统计漏检与过杀
常见问题
到底需要多少张样本？
只有少量缺陷样本怎么办？
合格品样本也要提供吗？
样本用手机拍可以吗？
标注要标到什么程度？
样本会泄露吗？
提交样品测试
建议先用一批代表性样品做可行性验证，再据此评估样本缺口。请提供 OK 与 NG 样品各若干件及你的缺陷分类标准。
提交成功
我们已收到您的样品测试需求，方案工程师会在 1 个工作日内与您联系。如需加急，请直接致电 13913763268（微信同号）。
需要逐项评估成像条件、缺陷标准与节拍？ 前往完整需求评估 →