主动学习：仓库视觉 AI 只标 10% 的数据，精度凭什么不掉

主动学习这个词，是我被一张 1.2 万的标注报价单逼着学会的。去年有家视觉方案公司上门，说分拣线加个相机做 AI 复核，硬件不贵——我们小仓可烧不起这个钱，我一听"不贵"就警觉了。果然，真正贵的是后面的：2 万张 SKU 图片，一张一张框出来标，外包公司报一张带框 0.6 元，2 万张就是 1.2 万，还不算返工扯皮。相机本身才几个钱，标注账单直接翻了三倍。

更气人的是什么？标完我才反应过来：一大半图片，AI 本来就会。"这箱是纸箱""这托盘是空的"，这种题还用人标？钱全花在了"我早就知道答案"的题上。从那天起我就琢磨：能不能只让 AI 把它不会的题交出来，人只标那些？后来才知道，这招有个正经名字，叫主动学习。

先说我们的窘境：数据标注账单比相机贵

仓库 AI 落地，账要这么算：硬件是小头，一次性投入；数据标注是无底洞，SKU 一换、包装一改，就得重新标一轮。大厂标数据集有的是钱，我们这种 3000 平的小仓，标 2 万张 SKU 就是 1.2 万，标完发现一半是废话——这钱花得我心绞痛。最扎心的是，2 万张标完上线第一周，就遇到一批换了新包装的货，复核准确率掉了快 10 个点——等于白标，SKU 一换就得重来。

打个比方：这就像请家教，让孩子把整本练习册从头到尾抄三遍。钱烧了，时间花了，成绩没涨，因为孩子本来就会的题抄了三遍，不会的题还是不会。传统的数据标注就是这么干的：随机抽一堆图，全标，不管 AI 会不会。

主动学习换了个思路：让 AI 自己当那个"会挑题"的家教。模型先看一遍没标的图片，给每张打个"心虚分"——越没把握的图，越先交出来给人标。标完重新训练，再挑下一批"最心虚"的，循环两三轮。你可以理解为 AI 的错题本机制：不刷整本练习册，只做错题。

"心虚分"不用懂数学也能理解：模型判断一张图，两个类别概率是 51% 对 49%，这就是心虚，等于瞎蒙；如果是 99% 对 1%，那就是自信，不用你操心。主动学习干的事，就是把所有"51 对 49"的图挑出来，优先让人工标。记住这一句就够了。

具体三步，土得掉渣但管用：第一步，全量拍照，一张不标——拍照免费，相机反正已经装了；第二步，随机标一小批当种子，比如 300 张，让模型先有个基本盘；第三步，模型把"最拿不准"的批量挑出来给人标，标完再训，再挑。循环两到三轮，收工。什么时候停？我的土标准：连续两轮准确率涨不到 1 个点了，就停手。别跟标注费较劲，够用就行，小仓的每一分钱都要花在刀刃上。

我们是这么干的：800 张标注顶了 3000 张

我们那个分拣复核项目就是这么搞的。种子 300 张标完，模型跑一遍，挑出 500 张"最心虚"的——大多是包装相似的两款 SKU、反光严重的袋装货、还有堆叠遮挡的。我们老库管花了两个下午标完，再训，复核准确率从 82% 涨到 91%。又挑了 300 张难例补一轮，到了 94%，跟之前随机标 3000 张训出来的 94.5% 基本打平。总共标了约 800 张，加上返工不到 1000 张。标注费从 1.2 万降到不到 600 块，项目才没黄。后来我们把这套流程写成了 SOP，新 SKU 上线就跑一轮，再也不全量标了。

这里有个反常识的判断，值得单独拎出来：标得越多越好，是错觉。信息量不看张数，看"难例"浓度。随机标 1 万张"这箱是纸箱"的废话，不如精挑 1000 张"这到底是 A 款还是 B 款"的难题。你以为你在给 AI 喂饭，其实你在给它喂重复的废话，它早就吃撑了。

这也不是我们一家的运气。有个公开实验数据：500 张图片，不用主动学习就得全标 500 张；用了不确定性采样，模型只挑了 132 张拿不准的交给人工复核，错误率基本没变——标注量直接砍掉约 75%。但有意思的是，阈值设太狠也不行：只挑最不确定的 60 张标，错误率反而上去了。错题本也不能只做最难的三道题，基础题还是要有的，难易搭配才科学。

算笔总账更直观：

要不要上主动学习，我总结了个"三问法"：第一，图片超过 5000 张吗？第二，SKU 或者类别超过 20 个吗？第三，标注的人靠谱吗？前两个有一个是 yes，就值得试；第三个是 no，先别上，往下看为什么。

顺带提一句行业里的猫腻：有些方案商按"标注张数"收费，标得越多他赚得越多，他当然劝你全量标——屁股决定脑袋。谈项目的时候，先问他支不支持主动学习/难例挖掘，不支持的，八成是想靠标注量赚钱的，转身就走不亏。

但这招也有翻车的时候

先说清楚，主动学习不是万能药，有三种场景它会翻车，翻得还挺惨。

第一种，标注的人本身标得不准。AI 的"错题本"抄的是错答案，它越主动、错得越自信。我们吃过这个亏：老库管把两款长得像的 SKU 标反了十几张，模型学完之后，错得理直气壮。所以上主动学习之前，先拿 100 张做标注一致性测试，找两个人交叉标，对不上就先培训人，别怪 AI。

第二种，SKU 换血太快。旺季一到，SKU 大换血，包装全换，昨天挑好的难例今天全过时了。数据分布漂移太快的地方，主动学习追不上变化的速度，刚训好的模型转头就水土不服。这种场景，老老实实全量标一批，或者等 SKU 稳定了再上。

第三种，极度长尾的异形件。一个月只出现两次的异形包装，模型永远"心虚"不到它身上——样本太少，轮次里根本排不上号。这种得人工单独加料，主动挑出来标，别指望模型自己发现。

还有句大实话：大厂烧得起全量标注，我们烧不起，结果被迫精打细算，反而撞上了教科书里的做法。这叫穷则思变，也叫小仓的生存智慧——大厂那套"大力出奇迹"，我们学不起，也不丢人。

实在拿不准要不要上的，还有个折中办法：先拿一条线、一个品类做试点，跑两轮看效果再决定。小仓的试错原则是：试点可以小，步子可以慢，但顺序不能错——先把 100 张标注一致性测试做了，再谈后面的。顺序对了，剩下的就是执行力。

最后给同样想试的同行三句忠告，都是我们交过学费的：第一，先拿 100 张做标注一致性测试，人标不准，AI 越学越歪；第二，种子别太小，300 张起步，太小模型连"心虚"都不会；第三，每一轮都留 10% 的随机样本，别全是难例——模型也需要吃点"主食"，光吃"错题"会偏科。

小仓有小仓的活法。别跟大厂比数据量，比谁的数据"值钱"。下次再有人跟你说"先标 5 万张再谈"，你就问他一句：这 5 万张里，有多少是 AI 本来就会的废话？问完你就知道，这 1.2 万该不该花了。

作者：小马｜小仓创业者