企业官网建设流程全解析

1. 为什么选YOLOV4做绝缘子检测，而不是更新的模型

1.1 一个反直觉的选型结论

很多人一上来就问：现在都有YOLOv8、YOLOv10了，为什么还要用YOLOV4？这个问题我在实际项目里被问过不下十次。我的回答通常很直接：在绝缘子检测这个特定场景下，YOLOV4的性价比仍然非常高，尤其是当你需要自己从零训练、自己标注数据、自己部署到边缘设备的时候。

先说背景。绝缘子检测属于电力巡检领域的经典视觉任务，核心目标是从航拍或地面拍摄的输电线路图像中，把绝缘子目标框出来，有时还要进一步判断是否存在破损、自爆、污闪等缺陷。这个任务有几个特点：目标尺度变化大、背景复杂（天空、树木、杆塔、导线混杂）、样本不均衡（正常绝缘子远多于缺陷绝缘子）。YOLOV4在2020年发布时，凭借CSPDarknet53主干、PANet颈部、Mish激活函数、CIoU损失、Mosaic数据增强等组合，在COCO上做到了43.5% AP，速度在Tesla V100上约65 FPS。放到今天看，这个数字不算顶尖，但它的结构清晰、复现资料多、训练门槛低，对于很多刚入门的团队来说，仍然是首选。

我自己的经验是：如果你手头只有几千张标注图，算力只有一两张消费级显卡，团队里没有人专门搞过检测模型调参，那YOLOV4的“开箱即用”程度反而比新模型更友好。新模型虽然精度高，但依赖更复杂的训练技巧、更精细的超参调整，稍不注意就训崩。而YOLOV4的配置文件虽然看起来冗长，但每一项都有明确含义，改起来心里有底。

1.2 绝缘子检测对模型的实际需求

绝缘子检测不是发论文，它是要落地的。落地场景通常有三种：无人机机载实时检测、巡检图像离线批量处理、边缘计算盒子部署。这三种场景对模型的要求完全不同。

无人机机载要求低延迟、低功耗，模型不能太大，输入分辨率通常压到416甚至320；离线批量处理追求高召回率，可以接受慢一点，输入可以到608；边缘盒子则介于两者之间，既要速度又要精度，还得考虑模型量化后的掉点问题。

YOLOV4的灵活之处在于，它提供了多个尺度的预训练权重和可调输入尺寸。你可以用yolov4.cfg配608输入做离线高精度，也可以用yolov4-tiny.cfg配416输入做实时检测。tiny版本参数量只有约6M，在Jetson Nano上都能跑到20 FPS以上，这对于无人机机载来说非常关键。相比之下，一些新模型的最小版本参数量仍然偏大，或者对特定推理框架的支持不够成熟。

还有一个容易被忽略的点：绝缘子检测的数据集往往不大。公开的绝缘子数据集，比如某电力巡检竞赛放出的数据，通常也就几千张。在这种数据规模下，大模型的过拟合风险很高。YOLOV4配合Mosaic增强和适当的数据扩充，反而能训出更稳的结果。我试过用同一个数据集分别训YOLOV4和某个新模型，在验证集上YOLOV4的mAP只低了1.2个百分点，但训练时间少了近一半，显存占用也低不少。

1.3 开源模型和数据集到底怎么选

标题里提到“开源模型、数据集及源码”，这三样东西的质量直接决定项目能不能跑起来。我先说数据集。

绝缘子检测的公开数据集主要有几个来源：一是某电力研究院放出的航拍绝缘子数据集，包含正常和缺陷两类，标注格式是VOC XML；二是某高校实验室整理的绝缘子自爆数据集，图像分辨率较高，但样本量偏少；三是一些竞赛平台上的脱敏数据，质量参差不齐。我的建议是：不要只用一个数据集，尽量做混合训练。不同来源的数据在光照、角度、背景上差异很大，混合之后模型的泛化能力会明显提升。

模型方面，YOLOV4的官方权重是基于COCO训练的，直接拿来检测绝缘子效果很差，因为绝缘子不在COCO的80类里。所以必须做迁移学习。通常的做法是：加载yolov4.conv.137作为主干预训练权重，然后修改cfg文件的类别数和卷积层输出，重新训练。这里有个坑：很多人直接加载yolov4.weights然后改类别，结果训练时loss震荡严重。原因是官方weights的最后一层卷积输出维度是255（对应80类），你改成18（对应1类）之后，这一层的权重是随机初始化的，但前面的层已经适应了80类的特征分布，直接微调容易破坏原有特征。正确做法是用darknet的partial加载方式，只加载前137层，让后面的层从头学。

源码方面，YOLOV4的原版是Darknet框架，C语言写的，编译依赖OpenCV和CUDA。如果你不熟悉C编译，可以用AlexeyAB的darknet分支，它对Windows和Linux的支持都更好，还提供了mAP计算、多尺度训练等实用工具。另外，PyTorch版本的YOLOV4也有不少开源实现，比如某开发者维护的pytorch-YOLOv4，适合习惯Python生态的人。但要注意，PyTorch版本和原版在预处理、后处理上可能有细微差异，换框架时最好重新验证一遍。

2. 从零搭建绝缘子检测项目的完整链路

2.1 数据标注：别急着标，先想清楚类别定义

数据标注是整個项目里最耗时间、最容易返工的环节。我见过太多人标了几千张图之后发现类别定义有问题，只能全部重来。所以在动手之前，先想清楚三件事。

第一，你要检测什么。是只检测“绝缘子”这一个类别，还是要区分“正常绝缘子”和“缺陷绝缘子”？如果只检测绝缘子，那标注就简单，一个框搞定。如果要区分缺陷，那就要定义清楚什么是缺陷：是自爆（玻璃绝缘子掉片）、破损（瓷绝缘子裂开）、还是污闪（表面有放电痕迹）？不同缺陷的视觉特征差异很大，混在一起标会让模型困惑。

第二，框的粒度。绝缘子在图像里往往是一串，你是把整串框成一个目标，还是把每一片单独框出来？整串框的好处是标注快、目标大、容易检测；坏处是没法定位具体哪一片有问题。单片框的好处是精细，坏处是标注工作量翻几倍，而且小目标检测难度大。我的经验是：如果做缺陷检测，建议整串框加缺陷区域框结合。整串框用来定位绝缘子串，缺陷区域框用来标记具体问题位置。

第三，负样本怎么处理。绝缘子检测的难点之一是把绝缘子和背景里的类似物体区分开，比如杆塔上的横担、导线上的金具、甚至某些形状相似的树枝。如果你只标正样本，模型很容易把这些东西误检成绝缘子。所以要有意识地收集一些“看起来像但不是”的负样本图像，不标任何框，让模型学会抑制。负样本的比例控制在正样本的10%到20%左右比较合适。

标注工具我用过LabelImg、CVAT和Labelme。LabelImg最简单，适合VOC格式；CVAT功能强，支持多人协作和视频标注；Labelme适合做分割标注。对于绝缘子检测，LabelImg足够了。标注时注意：框要贴紧目标边缘，不要留太多背景；遮挡超过50%的目标建议标为difficult或者直接不标；同一张图里如果有多个绝缘子串，每个都要单独框。

2.2 数据增强：Mosaic不是万能的

YOLOV4自带的Mosaic增强是它的亮点之一。Mosaic把四张图拼成一张，让模型在一张图里看到更多上下文，对小目标检测特别有帮助。但我在绝缘子检测里发现，Mosaic用不好反而会掉点。

问题出在尺度上。绝缘子串在航拍图里通常是细长条，Mosaic拼接后，每张子图的尺度被压缩，绝缘子变得更小，如果原图分辨率不高，拼接后目标可能只有十几个像素，模型根本学不到有效特征。我的做法是：Mosaic的概率不要设太高，0.5左右比较合适；同时配合随机缩放，让模型适应不同尺度的绝缘子。另外，HSV色彩抖动对绝缘子检测很有用，因为航拍图像受光照影响大，同一串绝缘子在顺光和逆光下颜色差异明显，色彩抖动能提升模型的光照鲁棒性。

还有一个容易被忽略的增强：旋转。绝缘子串在图像里的方向不固定，水平、垂直、斜向都有。YOLOV4默认的增强里没有大角度旋转，你可以自己加一个随机旋转90度、180度、270度的操作，或者用更小的角度做随机旋转。注意旋转后要重新计算框的坐标，别把框转丢了。

2.3 配置文件修改：每个参数都要有理由

YOLOV4的cfg文件很长，但真正需要改的地方就那么几处。我按顺序说。

首先是batch和subdivisions。batch是每次迭代送入网络的图片总数，subdivisions是把batch分成几批送入显存。实际显存占用是batch/subdivisions张图。比如batch=64，subdivisions=16，就是每次送4张图进显存。如果你的显存是8G，建议从batch=64、subdivisions=16开始试；如果爆显存，就加大subdivisions或者减小batch。注意：batch不能小于subdivisions，否则每批不足一张图，训练会出问题。

然后是width和height。这是网络输入尺寸，必须是32的倍数。YOLOV4默认是608，但你可以改成416或512。尺寸越大，小目标检测越好，但速度越慢。绝缘子检测里，如果图像里绝缘子占比较大，416就够；如果绝缘子很小，建议512或608。我通常的做法是：训练时用608，推理时根据设备性能降到416或512。这样训练时模型学到了高分辨率特征，推理时降分辨率虽然会掉一点精度，但速度提升明显。

接下来是classes和filters。classes改成你的类别数，绝缘子检测通常是1或2。filters是每个YOLO层前面那个卷积层的输出通道数，计算公式是filters = (classes + 5) * 3。比如classes=1，filters就是18；classes=2，filters就是21。这个公式必须记牢，改错了训练直接报错。cfg里有三个YOLO层，每个前面的卷积层filters都要改。

还有anchors。YOLOV4默认的anchors是基于COCO数据集聚类得到的，对绝缘子不一定最优。如果你有足够的数据，建议用k-means重新聚类自己的anchors。具体做法是：把所有训练框的宽高提取出来，用k-means聚成9类，然后按面积从小到大排序，分别填入三个YOLO层的anchors。我试过重新聚类，mAP能提升1到2个百分点。如果数据量少，不聚类也行，但要把默认anchors里明显不合适的去掉，比如特别大的anchor（对应COCO里的大物体）在绝缘子检测里基本用不上。

2.4 训练过程：loss曲线会骗人

YOLOV4训练时输出的loss是各项损失的加权和，包括框回归损失、置信度损失、分类损失。很多人只看总loss，觉得降下去了就是训好了。这是个误区。总loss降不代表模型在验证集上表现好，过拟合的时候总loss也会降。

我的做法是：每训练1000次迭代，就用验证集跑一次mAP。Darknet提供了map参数，可以在训练过程中计算mAP。如果mAP在连续几次验证中不再提升，甚至下降，那就说明过拟合了，该早停或者加正则化。另外，关注各项loss的单独变化：如果框回归损失一直很高，说明anchors不合适或者学习率太大；如果分类损失震荡，可能是类别不平衡或者标注有噪声。

学习率方面，YOLOV4默认用steps策略，在80%和90%迭代时降学习率。这个策略对大多数情况够用，但如果你发现训练前期loss下降太慢，可以把初始学习率调大一点，比如从0.0013调到0.0026；如果后期loss震荡，就把steps提前，让学习率早点降下来。

还有一个实操细节：训练前一定要用darknet的partial加载预训练权重。命令是darknet detector train data/obj.data cfg/yolov4-obj.cfg yolov4.conv.137。注意最后那个权重文件是conv.137，不是yolov4.weights。conv.137只包含主干网络的前137层，不包含检测头，这样加载后检测头是随机初始化的，不会破坏主干特征。

3. 绝缘子检测里那些文档不会写的坑

3.1 小目标漏检：不是模型不行，是输入尺寸不对

绝缘子检测最常见的抱怨就是“小绝缘子检测不到”。很多人第一反应是模型太弱，换更大的模型。但我在实际排查中发现，八成的小目标漏检问题出在输入尺寸上。

举个例子：一张4000x3000的航拍图，绝缘子串可能只占200x50像素。如果你直接把原图缩放到608x608送入网络，绝缘子就变成了30x7像素，经过5次下采样后，在特征图上只剩不到1个像素，模型根本没法检测。正确的做法是：不要整图缩放，而是先切图再检测。把大图切成1000x1000的小块，每块之间有重叠，然后对每块单独检测，最后把结果拼回去。这样绝缘子在每块图里的相对尺寸就大了，检测效果好很多。

切图也有讲究。重叠区域不能太小，否则绝缘子刚好在切缝上会被切断。我一般设20%到30%的重叠。切图之后，每块图的检测结果要映射回原图坐标，然后做NMS合并。这里要注意：跨块的同一个绝缘子可能会被检测两次，NMS的IoU阈值要设得合适，太高会漏合并，太低会误删。我通常用0.45到0.5之间。

如果不想切图，另一个办法是用YOLOV4的letterbox预处理。Darknet默认的resize是直接拉伸，会改变宽高比，让细长的绝缘子变形。letterbox保持宽高比，用灰边填充，这样绝缘子的形状不变，检测更准。在cfg里把letterbox设为1就行。

3.2 误检：杆塔上的金具和绝缘子长得太像

绝缘子误检是另一个头疼的问题。最常见的误检来源是杆塔上的金具、导线连接器、甚至某些形状相似的鸟巢。这些东西在低分辨率下和绝缘子非常像，模型很难区分。

我的解决思路分三步。第一步，增加负样本。专门收集一批包含金具、连接器但不含绝缘子的图像，不标任何框，加入训练集。数量不用太多，几百张就有效果。第二步，调整NMS参数。YOLOV4默认的NMS阈值是0.45，对于绝缘子检测，可以适当降低到0.4，让重叠的框更容易被抑制。第三步，后处理过滤。根据绝缘子的形状特征做规则过滤，比如长宽比小于2的框直接丢弃（绝缘子串通常是细长的），面积过大或过小的框也丢弃。这些规则虽然简单，但能过滤掉相当一部分误检。

还有一个容易被忽略的点：置信度阈值不要设太低。很多人为了追求召回率，把置信度阈值降到0.1甚至0.05，结果误检暴增。我的经验是：在验证集上画PR曲线，找到召回率和精确率平衡的点。绝缘子检测通常0.3到0.5之间比较合适。如果某个场景下漏检特别严重，宁可单独调低那个场景的阈值，也不要全局降低。

3.3 模型量化后的精度掉点

如果你要把模型部署到边缘设备，量化是绕不开的。YOLOV4转TensorRT或者NCNN之后，INT8量化能带来2到3倍的速度提升，但精度掉点也很明显。我实测过，INT8量化后mAP可能掉3到5个百分点，对于绝缘子检测来说，这意味着不少漏检。

减少掉点的办法有几个。一是量化时用校准集，校准集要从训练集里随机抽，覆盖各种光照和背景，不要只用几张图。二是对敏感层做混合精度，比如检测头前面的几层保持FP16，只对主干做INT8。三是量化后做微调，用少量标注数据在量化模型上再训几个epoch，让模型适应量化误差。这个微调过程不需要太多数据，几百张就够，但效果很明显。

还有一个坑：不同推理框架的量化策略不一样。TensorRT的INT8量化对激活值范围很敏感，如果校准集里缺少某些极端光照的样本，量化后的激活值范围会偏窄，导致那些场景下精度暴跌。所以校准集一定要有代表性。NCNN的量化相对温和一些，但速度提升也没TensorRT那么大。选哪个框架，要根据你的硬件和精度要求权衡。

4. 开源资源怎么用才不踩雷

4.1 数据集：别拿来就用，先做清洗

公开的绝缘子数据集质量参差不齐，直接拿来训练往往效果不好。我拿到一个数据集之后，会先做三件事。

第一，检查标注一致性。同一个数据集里，不同标注员的风格可能不一样。有的人框得紧，有的人框得松；有的人把遮挡的绝缘子也标了，有的人没标。这些不一致会让模型困惑。我的做法是：随机抽100张图，自己重新标一遍，然后和原标注对比，如果IoU低于0.7的比例超过10%，就说明标注质量有问题，需要整体复查。

第二，检查类别平衡。绝缘子数据集里，正常样本通常远多于缺陷样本。如果直接训练，模型会偏向预测正常类，缺陷类的召回率很低。解决办法有两种：一是过采样缺陷样本，在训练时让缺陷样本重复出现；二是用focal loss或者类别权重，让模型更关注少数类。YOLOV4原版不支持focal loss，但你可以改损失函数，或者用带类别权重的版本。

第三，检查图像质量。有些数据集里的图像模糊、过曝、欠曝，这些低质量图像会拖累模型。我的做法是：用图像质量评估算法（比如拉普拉斯方差）筛一遍，把模糊的挑出来，能修就修，不能修就删。删掉10%到20%的低质量图像，模型效果反而更好。

4.2 源码：编译踩坑记录

Darknet的编译在Linux下相对顺利，在Windows下就比较折腾。我分别在Ubuntu和Windows上编译过，说几个关键点。

Linux下，OpenCV的版本很重要。Darknet对OpenCV 4.x的支持不如3.x好，如果你用4.x，可能会遇到cv::imread读取图像失败的问题。解决办法是编译时指定OpenCV路径，或者降级到3.4。CUDA版本也要注意，Darknet对CUDA 10.x支持最好，11.x可能需要改Makefile里的架构参数。另外，编译时一定要开GPU=1、CUDNN=1、OPENCV=1，否则训练速度慢得没法用。

Windows下，推荐用AlexeyAB的darknet分支，它提供了Visual Studio的工程文件，比原版好编译很多。但要注意：VS的版本要和CUDA匹配，比如CUDA 10.2对应VS 2019，CUDA 11.x对应VS 2022。还有，OpenCV的路径不能有空格和中文，否则编译会报奇怪的错误。我踩过这个坑，折腾了一下午才发现是路径问题。

编译成功之后，先用一张测试图跑一下darknet detector test，确认能正常推理。如果报错说找不到cudnn.dll或者opencv_world.dll，就把这些dll复制到darknet.exe同级目录。这个虽然是小问题，但第一次用的人很容易卡住。

4.3 预训练权重：conv.137和weights的区别

前面提过，训练时要用conv.137而不是weights。这里再展开说一下为什么。

yolov4.weights是完整的COCO预训练权重，包含主干、颈部和检测头。检测头的输出维度是255（80类）。如果你直接加载weights然后改cfg里的classes=1，Darknet会尝试把255维的权重加载到18维的层上，维度不匹配，要么报错，要么只加载部分权重，检测头随机初始化。更糟糕的是，主干和颈部的权重已经适应了80类的特征分布，直接微调容易导致灾难性遗忘。

conv.137只包含前137层，也就是主干网络和部分颈部，不包含检测头。加载conv.137之后，检测头是随机初始化的，但主干特征保留了下来。这样训练时，模型可以在保留通用特征的基础上，学习绝缘子的特定特征。这是迁移学习的标准做法，也是YOLOV4训练绝缘子检测的推荐方式。

如果你找不到conv.137，也可以自己从weights里截取。Darknet提供了partial参数，可以在cfg里指定从第几层开始加载。但更简单的办法是直接用官方提供的conv.137文件，网上很容易找到。

5. 训练完之后，怎么判断模型能不能用

5.1 mAP不是唯一指标

mAP是检测任务的标准指标，但它不能完全反映实际使用效果。我评估绝缘子检测模型时，会看四个指标。

第一，mAP@0.5。这是最常用的指标，IoU阈值0.5时的平均精度。绝缘子检测通常要求mAP@0.5在0.85以上才算可用。

第二，召回率。在固定置信度阈值下，模型能检出多少真实绝缘子。电力巡检里，漏检的代价很高，所以召回率比精确率更重要。我一般要求召回率在0.9以上。

第三，误检率。每张图平均有多少个误检框。这个指标在实际使用中很关键，因为误检太多会让巡检人员失去信任。我的经验是：每张图误检不超过0.5个，才算可接受。

第四，推理速度。在目标硬件上的FPS。无人机机载要求至少15 FPS，边缘盒子要求至少10 FPS，离线处理可以放宽到1 FPS。

这四个指标要综合看。有时候mAP很高，但召回率低，说明模型偏向精确率，漏检多；有时候召回率高但误检多，说明模型太激进。最好的模型是在召回率和误检率之间找到平衡，而不是单纯追求mAP。

5.2 可视化验证：别只看数字

数字指标之外，一定要做可视化验证。我通常会把验证集的检测结果画出来，一张一张看。重点看三类图：漏检的图、误检的图、置信度在阈值附近的图。

漏检的图能告诉你模型在什么场景下不行。是光照太暗？是绝缘子太小？还是被遮挡了？找到规律之后，可以针对性地补充数据或者调整预处理。

误检的图能告诉你模型把什么误认成了绝缘子。是金具？是鸟巢？还是某种纹理？找到之后，把这些负样本加入训练集。

置信度在阈值附近的图最有价值。这些图是模型“犹豫”的样本，往往包含一些边界情况。分析这些图，能帮你找到阈值设置是否合理，以及模型还有哪些盲区。

我还会做一个热力图分析，用Grad-CAM或者类似方法看模型关注图像的哪些区域。如果模型关注的是绝缘子本身，说明学对了；如果关注的是背景或者杆塔，说明模型走了捷径，泛化能力可能有问题。

5.3 部署前的最后一公里

模型训练好了，部署之前还有几件事要做。

第一，模型剪枝。YOLOV4的参数量约64M，对于边缘设备来说偏大。可以用通道剪枝把冗余的通道去掉，参数量能降到20M左右，速度提升明显，精度掉点通常在1个百分点以内。剪枝之后要微调几个epoch恢复精度。

第二，模型转换。根据目标硬件选择推理框架：NVIDIA Jetson用TensorRT，ARM设备用NCNN或MNN，x86服务器用OpenVINO。转换时注意输入输出的维度要和训练时一致，预处理和后处理也要对齐。我见过有人转换后忘了改预处理，结果检测框全部偏移。

第三，封装接口。把模型封装成API或者SDK，方便上层调用。接口要支持批量推理、异步调用、超时重试。如果是无人机机载，还要考虑模型加载时间，尽量在起飞前就加载好，不要在空中加载。

第四，监控和更新。部署之后要持续监控模型的输出，统计召回率、误检率、推理延迟。如果发现指标下降，可能是数据分布变了，需要重新训练。我一般会保留最近几个月的巡检图像，定期做增量训练，让模型适应新的场景。

6. 一些个人体会和后续扩展方向

6.1 绝缘子检测不是终点

绝缘子检测只是电力巡检视觉任务的第一步。检测到绝缘子之后，通常还要做缺陷分类、缺陷定位、甚至缺陷程度评估。这些任务可以串成一个流水线：先用YOLOV4检测绝缘子串，然后把检测框裁剪出来，送入分类网络判断是否有缺陷，如果有缺陷，再用分割网络定位缺陷区域。

这种流水线的好处是每个任务可以独立优化，坏处是误差会累积。检测框不准，后面的分类和分割都会受影响。所以检测环节的召回率和定位精度要尽可能高。我的做法是：检测阶段宁可多检一些，也不要漏检，把置信度阈值设低一点，让后面的分类网络去过滤误检。

6.2 小样本和零样本的挑战

绝缘子缺陷样本很难收集，尤其是某些罕见缺陷，可能几年才出现一次。这种情况下，传统的监督学习很难训出好的分类器。我试过几种小样本学习方法：原型网络、MAML、以及基于预训练特征的简单分类器。实测下来，在缺陷样本极少的情况下，用预训练特征加一个线性分类器，效果反而比复杂的小样本方法更稳。因为预训练特征已经包含了丰富的视觉信息，线性分类器不容易过拟合。

零样本检测更难，目前还没有特别成熟的方案。一个可能的思路是用视觉-语言模型，比如CLIP，把绝缘子缺陷的文本描述和图像特征对齐，实现零样本分类。但这方面我还在探索，没有形成稳定的方案。

6.3 数据闭环才是长期竞争力

最后说一个容易被忽略但非常重要的点：数据闭环。模型部署之后，会不断产生新的巡检图像。这些图像里，有些是模型检测正确的，有些是检测错误的。把检测错误的图像挑出来，人工修正标注，加入训练集，重新训练模型，这就是一个数据闭环。

数据闭环的价值在于：模型会随着使用越来越强。刚开始可能mAP只有0.8，经过几轮闭环之后，能提升到0.9以上。而且闭环能发现一些你之前没想到的场景，比如某种新型杆塔、某种特殊光照条件，这些场景在初始数据集里可能没有，但闭环能自动把它们找出来。

建立数据闭环的关键是降低人工修正的成本。如果每张图都要从头标注，没人愿意做。我的做法是：让模型先预标注，人工只做修正。模型检测错的框，人工删掉或者调整；模型漏掉的框，人工补上。这样标注效率能提升3到5倍。另外，优先修正置信度低的样本，这些样本对模型提升最大。

后续还可以考虑主动学习，让模型自己挑选最有价值的样本让人工标注。比如用不确定性采样，挑那些模型最不确定的图像；或者用多样性采样，挑那些和已有数据差异最大的图像。主动学习能把标注预算花在刀刃上，用更少的标注数据达到更好的效果。

我在实际项目里最大的体会是：绝缘子检测的技术门槛不高，但工程门槛不低。模型选型、数据标注、训练调参、部署优化，每个环节都有坑。YOLOV4虽然不是最新的模型，但它的生态成熟、资料丰富、可解释性强，对于刚入门的团队来说，仍然是一个很稳的起点。先把YOLOV4跑通，理解检测任务的完整链路，再去尝试新模型，会顺利很多。