YOLOv8 商品识别：从标注到部署，我踩了这 10 个坑

阿拉斯攀登

209人浏览 · 2026-06-27 23:06:05

阿拉斯攀登 · 2026-06-27 23:06:05 发布

YOLOv8 商品识别：从标注到部署，我踩了这 10 个坑

这是整个售货柜系统最核心的一环。摄像头拍到的画面里，哪一瓶是可乐、哪一瓶是雪碧、用户到底拿了什么——全靠 YOLOv8。这篇文章从数据标注到模型部署全部讲清楚，附带我踩过的十个坑。

大家好，我是黒漂技术佬。

前三篇聊了决策、架构和硬件。这一篇正式进入 AI 算法——用 YOLOv8 做商品识别。如果你做过目标检测，这篇文章能帮你省掉两周踩坑时间；如果你没做过，我尽量用大白话讲清楚。

一、先看结果：模型到底能做到什么水平？

训练完的 YOLOv8n 模型，部署到 RK3588 上：

指标	数值
准确率（mAP@0.5）	98.7%
推理速度（RK3588 NPU）	30fps
支持商品种类	20 种（可乐、雪碧、矿泉水、红牛……）
模型大小	6.2MB（.rknn 格式）
单帧推理耗时	3ms

在真实场景（柜内灯光、不同角度、部分遮挡）下，识别准确率稳定在 95% 以上。足够商用。

二、完整流程：从零到部署

数据采集 → 数据标注 → 模型训练 → 模型转换（ONNX → RKNN）→ 边缘部署

每一步都有坑，我一个一个讲。

三、踩坑 1-3：数据采集和标注

坑 1：照片不是随便拍的

我一开始拿手机对着货架拍了 200 张照片就开训，结果模型在实际柜子上一塌糊涂——因为柜子里的灯光角度和手机拍的不一样。

正确做法：把摄像头装进柜子里，用程序自动采集。写个脚本每隔 2 秒拍一张，换不同商品摆放位置、不同光照条件，采够 1000 张。

import cv2
import time

cap = cv2.VideoCapture(0)
for i in range(1000):
    ret, frame = cap.read()
    cv2.imwrite(f'images/{i:04d}.jpg', frame)
    time.sleep(2)

坑 2：标注工具选错，白干两天

我一开始用的 LabelImg，手动框了 1000 张图，手都酸了。后来发现用 Roboflow 在线标注，AI 辅助预标注，效率提升十倍。更重要的是 Roboflow 能直接导出 YOLO 格式，不用自己写转换脚本。

坑 3：标注标准不统一

同一瓶可乐，横放、竖放、被遮挡一半——怎么框？团队里两个人标注，标准不一样，模型训练出来一团糟。

规范：

只框可见部分，被遮挡超过 50% 的不标
紧贴商品边缘，不要留白
每个类别至少 100 个标注框

四、踩坑 4-6：模型训练

坑 4：用 3090 还是云服务器？

我第一反应是买张 3090——但一张一万多，原型验证阶段不值得。最后用的是 AutoDL 云 GPU，A5000 一小时两块五，训练一个模型总共花了不到 50 块钱。

推荐方案：先用云 GPU 跑通，批量训练时再考虑买卡。

坑 5：不调参直接跑，模型过拟合

第一次训练，看 loss 降到 0.01，高兴坏了。结果测试集上一跑，准确率只有 60%。

调参经验：

参数	推荐值	说明
epochs	100-150	多了过拟合，少了欠拟合
batch size	16	RK3588 推理对 batch size 不敏感
learning rate	0.01 → 0.001	余弦退火衰减
mosaic	1.0	数据增强，增强泛化能力

坑 6：类别不均衡

20 种商品，可乐卖了 200 瓶，气泡水卖了 5 瓶。训练数据如果不均衡，模型会对稀有商品完全瞎猜。

解决方案：对低频商品做过采样，保证每个类别训练样本不少于 100 张。

五、踩坑 7-10：模型转换和部署

坑 7：ONNX 导出算子不兼容

YOLOv8 默认导出的 ONNX 包含一些算子（比如 Swish 激活函数），RKNN 工具链不支持。

解决方案：用 Ultralytics 官方导出脚本，指定 opset=12，关闭动态输入：

yolo export model=yolov8n.pt format=onnx opset=12 imgsz=640 dynamic=False

坑 8：RKNN 量化精度损失

FP32 转 INT8 量化后，准确率从 98% 掉到 85%——因为校准数据集没选好。

解决方案：用柜内真实拍的照片做校准数据集，200 张就够。量化后准确率恢复到 97%。

坑 9：NPU 推理线程安全

RK3588 有三个 NPU 核心，我开了多线程同时推理，结果程序随机崩溃——RKNN 的 Python API 不是线程安全的。

解决方案：用单线程 + 队列模式，或者每个线程绑定不同的 NPU 核心：

rknn.init_runtime(core_mask=RKNNLite.NPU_CORE_0)  # 绑核 0

坑 10：部署后模型不更新

模型训好了部署到柜子上，结果三个月后换了新包装的商品，识别率暴跌。

解决方案：建立持续迭代机制——每周从柜子上收集低置信度的图片，补充进训练集，每月发一版新模型，OTA 推送到设备。

六、成本和时间

环节	时间	成本
数据采集	3 天	0（柜子已有）
数据标注	2 天	0（Roboflow 免费版够用）
模型训练	1 天	50 元（云 GPU）
模型转换	3 天	踩坑时间
边缘部署	1 天	0
合计	10 天	50 元