AI落地方法论 - 最小框法：从零食店实战总结的AI落地路径

原文首发于人人都是产品经理，作者：李嘻嘻 原文链接：点击查看

复盘：为什么第一周就"翻车"了？

我负责的AI巡店项目，给全国连锁零食品牌的万家门店做"陈列饱和度监控"。业务需求：货架连续空缺超过10分钟，发告警叫店员补货。

上线第一周的翻车现场：

• "伪装者"白色包装：白色"脆脆角"整排摆满时，算法当成背景，报告"大面积空缺"
• 标注的主观偏差：散装称重区，有的标注员框大圈，有的框碎圈，模型无法收敛
• 货架"户型差异"：大卖场货架2米长，小便利店80厘米，同一套模型换个店准确率断崖式下跌

缺货检测不难，难的是"空台面"识别：因为它没有参照物。

破局："最小检测框"标注法

3.1 找准"标尺"：用统计学干掉主观判断

从几万张图中拉样本，强迫标注员按单个商品列去框空位。统计发现30px是出现频次最高的数值。

以此为基准，大面积空台面不再画大框，而是像拼积木一样用30px宽的最小框平铺。模型学习到的特征从"随机噪声"变成了"固定纹理"。

3.2 深度对齐：模型层面的针对性优化

1）Anchor Size重构：重新聚类预设了更窄长的Anchor boxes，确保模型第一层特征提取就能捕捉纵向空隙。

2）Loss function权重倾斜：针对"空台面"类别做权重平衡优化，适当降低权重以减少误报。缺货场景准确率提升30%+。

成本与效益

1000家门店连锁品牌：

• 人力成本：人工巡视频次降低50%，年节省数百万
• 业绩增量：及时补货减少50%+断货流失

边缘端负责实时检测，低置信度样本上传云端大模型复核，伪标签数据回流持续优化边缘模型，实现端云协同闭环。

坦诚局：这套方法的"失效边界"

1. 极端大斜角监控：透视缩减导致检测失效
2. 货架材质干扰：透明/不锈钢货架镜面反射
3. 非标准化堆叠：散装区准确度从90%+跌至70~80%

结语

AI落地不是比谁的模型参数多，而是比谁更懂业务里的那点"琐碎事"。

延伸阅读：准确率上去了业务还是不满意？看准确率90%业务用不起来；企业要不要搞AI？看9年老兵的实战建议。

---

关于作者

李嘻嘻，9年产品经理 + 3年AI实践者，专注于AI产品落地和工具开发。

• 个人站：https://yourhelper.me
• 项目：FormAI、TargetLink、XixiType等6个AI工具