新品 SKU 不断上架，仓库视觉 AI 的增量学习怎么做才不翻车

这就像你请了个老师傅，刚教会他认 200 种零件，产线突然来了 30 种新零件。你是把他送回学校重读四年，还是在车间里手把手补课？仓库视觉 AI 上线后遇到的就是同一个问题：模型学会的老 SKU 不能忘，新来的 SKU 还得认。业内管这个叫增量学习（incremental learning），听着美好，坑可不少。

先把立场摆明：增量学习不是"模型自己越学越聪明"，它是一套工程方案，有明确的适用边界。边界之外的场景，老老实实全量重训，别跟自己的生产系统过不去。

先把原理说透：模型学新东西，为什么会忘旧的

你可以理解为：神经网络的"记忆"存在同一组权重里。新数据进来，训练过程会调整这组权重去拟合新数据，旧数据对应的权重就被冲掉了——这就是灾难性遗忘（catastrophic forgetting）。它不是 bug，是神经网络与生俱来的特性。

打个比方：老师傅的脑子就那么大，你让他连夜背 30 种新零件的图纸，还不许他翻旧图纸复习，过两周他认旧零件准出错。模型也一样：只喂新 SKU 的图片训练，旧 SKU 的识别率会肉眼可见地往下掉。掉多少？看数据量和模型结构，量级上从"九成多"掉到"七成左右"都是我见过的真实情况。注意这是量级表达，具体掉多少看你的数据集和任务，别拿这个数字去跟供应商对赌。

所以增量学习的核心矛盾就一句话：在学会新东西的同时，保住旧东西。所有技术路线——回放旧样本、冻结部分网络、加正则约束——都是在解这一个方程，只是代价不同。

增量学习 vs 全量重训：一张分界线表

先给结论：没有永远正确的答案，只有"当前条件下代价更小的答案"。下面这张表是选型的分界线：

情况	选增量学习	选全量重训
新 SKU 占总量比例	低于 20%，零星上新	一次上新超过三成，或换了大品类
旧数据还在不在	旧标注数据丢了/不全	旧数据完整，随时能拿出来
停机窗口	产线不能停，只能热更新	有维护窗口，能停 1～2 天
旧 SKU 还在不在卖	在卖，识别率不能掉	已下架，忘了也无所谓

这里我要对伪需求开一炮：有些厂商跟你吹"自学习""零标注上线"，听听就好。增量学习省的是"重训的算力时间"，不是"标注的钱"——新 SKU 该标多少张，一张都省不掉。把"增量"理解成"免费"，是这个领域最大的误解，也是最多项目翻车的原因。

还有一个经常被忽略的分界条件：你的验证集跟不跟得上。增量学习最大的风险不是训不好，是"不知道自己训坏了"。每次增量更新后，必须用覆盖"全部在售 SKU"的验证集跑一遍回归测试。验证集里要是只有新 SKU，那旧 SKU 掉成什么样你都发现不了——等于闭眼开车。

灾难性遗忘的三个坑

坑一：新旧样本比例失衡。增量训练时，有人图省事只喂新数据，或者回放的旧样本只有象征性的几百张。记住一个经验量级：每次增量更新，旧样本的回放量至少要和新样本处在同一个量级，否则旧权重保不住。这就像让老师傅复习旧图纸，复习量不能比新图纸少太多，不然还是忘。

坑二：验证集是"老面孔"。见过最离谱的一个现场：2024 年一家华东的电商仓，视觉分拣上线半年后加了十几个新包装，供应商拍着胸脯说"增量更新过，精度 98%"。上线一周，旧 SKU 的错分率翻了三倍。查下来，供应商的验证集还是上线那批老图片，早就不能代表现在的货了。验证集必须跟着 SKU 结构一起更新，这是铁律。

坑三：没有回滚机制。增量更新是热操作，模型一旦推上去，旧版本就没了。我强烈建议：每次增量更新前，把旧模型版本完整封存，线上保留一键回滚。回滚不是"承认失败"，是给生产系统买的保险。没有回滚的增量学习，等于在产线上做实验——出一次事故，省的全吐回去。

标注量和精度的账

算一笔实在的账。新 SKU 上线，视觉模型要认住它，每个 SKU 需要多少张标注图？量级上，类间差异大的（比如箱子 vs 袋子）几十张就能起步，类间差异小的（同系列不同规格的包装）要几百张打底。具体数字看你的数据，别人的数字抄不来。

假设 50 个新 SKU，平均每个 200 张，就是 1 万张标注。按外包标注的市场行情量级，这笔钱本身不大。反常识的判断来了：标注的钱只占小头，真正的成本是验证和回滚的工程投入——维护验证集的人力、每次更新的回归测试时间、线上 AB 观察的人力。这些加起来，往往是标注费的数倍。跟老板报预算的时候，只报标注费，项目做到一半必超支。

还有一个省钱的野路子：产线上的"自然数据"。分拣线每天过几万件，其中被人工复核纠正过的，就是现成的难例样本。把纠错闭环做进系统，标注量能省下一大截。这比花钱买标注服务靠谱，因为这是你自己产线的真实分布。