去年我在一家做 3C 配件的仓里，看到传送带上装了一套视觉识别系统，专门认包装箱上的 SKU 标签，代替人工扫码。演示那天挺顺，准确率看着漂亮。结果新品上架第一周，系统把 37 个新 SKU 全认成了老款——不是相机不行，也不是算法不行，是模型压根没见过这些新长相，硬是在老类别里挑了个"最像的"。
这就是传统分类器的死穴：它只能在你教过的类别里做选择题，考卷上出现没学过的题，它也会硬写一个答案。小样本学习要解决的，正是这个问题。
先搞懂它到底在学什么
传统图像分类的逻辑是"记住每个类别长什么样"。训练时给它看几千张 A 产品的照片，它记住 A 的样子；上线后看到一张新图，就问：这更像 A、B 还是 C？注意这个"还是"——它默认答案一定在已知类别里。新 SKU 长得再特别，它也会被硬塞进某个老类别，这就是那 37 个新 SKU 全军覆没的原因。
小样本学习的逻辑反过来：它不记"这是谁"，它学"像不像"。训练阶段，模型学的是把图片变成一串数字（行话叫 embedding），长得像的图片，数字就接近；长得不像，数字就离得远。到了上线阶段，新 SKU 来了，你给它拍 5～20 张样板照片，系统记住这几张的数字位置。之后每来一张新图，就比距离：离哪个样板近，就判给谁。
用人话打比方：传统分类器是闭卷考试，只能考学过的内容；小样本学习像人认生人——见两面记住长相，下次在人群里一眼认出来。你不需要告诉它这个人叫什么、干什么的，记住长相就够了。
还有一种常见的实现叫原型网络，思路更直白：每个类别的那几张样板，取个平均，算出一个"平均脸"，新图离哪个平均脸近就归哪类。实现简单，效果在很多仓储场景下够用。
什么时候好用，什么时候别碰
先说好用的场景。SKU 之间外观差异大——比如不同颜色的包装盒、不同尺寸的纸箱、长得完全不一样的产品，小样本学习是神器。新 SKU 上架，运营拍十几张照片传上去，半小时就能用，不用等两周的数据标注和重新训练。
包装长期稳定的也好用。有些 consumable 的产品，包装三五年不变，样板一次拍好，能用很久。
再说别碰的场景。第一，服装这种同款多色的品类。同一件衣服五个颜色，视觉上除了颜色几乎一样，靠吊牌和水洗标区分——相机在传送带速度下根本看不清，硬上只会错得离谱。这种场景，老老实实扫条码。
第二，透明包装、反光材质。光线一变，长相就变，embedding 的距离全乱套。除非你把光照控制做到工业级，否则别指望。
第三，SKU 月更几百个以上的。新 SKU 来了就要拍样板、审核样板、入库样板，这个人力是持续投入。样板库没人维护，三个月后就是一堆过期照片，准确率悄悄掉，你还不知道。
落地时最容易踩的三个坑
第一个坑是样板拍得太"干净"。很多人让运营在办公室摆拍：白背景、正面、光线完美。上线后传送带上的图是歪的、糊的、有阴影的，距离一算全对不上。正确做法：在传送带上、实际光照下、实际速度下拍 8～12 张，多角度、带一点歪斜，连脏污、破损的包装也拍两张。样板越接近实战，效果越好。
第二个坑是没有"不知道"这个选项。距离再远，系统也会选一个最近的，等于永远有答案。一定要设一个距离阈值：超过阈值，判为"不认识"，转人工复核。这个阈值不是拍脑袋定的，拿两周的真实数据跑一遍，看误识和漏识的平衡点在哪。
第三个坑是算不清误识的代价。误识一次的成本 = 错发的运费 + 退货逆向成本 + 客服时间。人工复核一次的成本 = 几秒钟的人力。你要算的是：阈值放多严，能让总成本最低。这个账每个仓不一样，别抄别人的参数。
顺带说个设备细节：相机别省。Basler ace 这一类工业相机，配合稳定的 LED 光源，拍出来的图一致性比普通摄像头高一个量级。小样本学习对图像一致性很敏感，前面省几千美金，后面准确率掉 5 个点，更亏。
一句话选型
SKU 外观差异大、包装稳定、上新频率中等——上小样本学习，样板在传送带实拍，阈值转人工兜底。服装多色、透明反光、月更几百个 SKU——别折腾，扫码枪比什么 AI 都靠谱。
技术本身不神奇，神奇的是用对地方。下次有厂商跟你说"我们的 AI 见一个认一个"，你就问他三个问题：样板谁来拍、阈值怎么定、误识的账谁来付。答不上来的，演示做得再漂亮也别签。
四周落地路线图
真要上，我建议按这个节奏走，别一上来就全量。
第一周：采样本。在传送带上、实际光照和速度下，给每个 SKU 拍 8～12 张。注意把"难样本"也拍进去：歪的、半遮挡的、包装有褶皱的。样板库的质量决定上限，这一周别省。
第二周：定阈值。拿两周的历史数据跑一遍，看距离阈值设在哪，误识和漏识的平衡点最好。记住原则：宁可多转人工，不可错发一单。错发的成本是人工复核的几十倍。
第三周：小流量试运行。只接一条传送带，或者只认 20 个 SKU。每天复盘误识案例，把明显错的样板换掉。这个阶段你会发现很多"以为长得不一样、其实很像"的 SKU 对，提前处理。
第四周：扩量，同时把样板库的维护流程定下来——谁负责新 SKU 拍照、多久 review 一次过期样板、阈值多久重调一次。没有维护流程的系统，三个月后准确率一定掉。
选厂商时问什么
市面上的视觉方案商，演示都漂亮。签合同前问五个问题：
第一，新 SKU 上线要多久？如果他说要"重新训练模型、两周"，那就是传统分类器套了个小样本的皮。真的小样本方案，新 SKU 是"加样板"不是"重训练"，半小时级。
第二，误识率和"不知道"的比例分别是多少？只报准确率的都是耍流氓。准确率 99% 但"不知道"转人工占 30%，等于三分之一还得人干。
第三，光照变化的鲁棒性怎么保证？让他把展厅的灯关一半再演示一遍。很多方案在标准光照下 99%，仓库灯管老化一半就掉到 90%。
第四，样板库最大支持多少 SKU？有些方案的 embedding 检索在几千个类别后速度直线下降，你的 SKU 要是上万，得提前问。
第五，断网能跑吗？边缘计算还是云端？传送带每分钟几十件，云端方案的网络抖动一次，整条线就停了。仓储场景，我只推荐边缘部署。
这五个问题问完，还能对答如流的厂商，值得谈价格。答不上来的，演示做得再炫也别签——你买的是生产工具，不是科技展品。
