计算机视觉部署踩坑与优化清单

模型从实验环境到生产环境，常常不是“打包即上线”。很多性能和稳定性问题都出在工程细节上。

我最常见的 5 类问题

• 预处理不一致导致线上精度下降。
• 线程模型不合理导致吞吐抖动。
• 输入分辨率变化造成延迟不可控。
• 日志不足，故障难定位。
• 缺少回滚策略，风险放大。

优化 checklist

1. 固化训练/推理预处理配置。
2. 用基准脚本固定硬件、批量与线程参数。
3. 增加健康检查和延迟报警。
4. 灰度发布，保留上一版本可回退。

一个经验

先把“稳定性预算”写进需求，再做性能优化，整体交付质量会明显提升。