网硕互联帮助中心2026年Q1，我们运营的AI视觉柜每周要上5-8款新商品。每次上新，传统流程是：拍摄商品图片→标注数据→重新训练检测头→量化→部署，耗时约3天。
这意味着新商品上架后，前3天是无法被识别的——用户拿了新品，系统认不出来。
后来我们换了一种方案：度量学习。新品注册时间从3天缩短到10分钟。
一、传统方案的问题
传统目标检测模型（如YOLO）是闭集识别——模型训练时见过了哪些商品，就只认识哪些。新增商品必须重新训练模型（或至少微调检测头），才能让模型“认识”新SKU。
对于选品每周变化的自动售货机场景，“每周重新训练”是不可持续的。
二、度量学习方案：注册代替训练
度量学习的核心思想：特征提取器保持不变，只注册新商品的“特征向量”。
具体流程：使用MobileNet作为骨干网络，输出128维特征向量。新品只需拍摄10张图片，提取特征向量后注册到商品特征库中。识别时，计算摄像头画面的特征向量与库中所有商品特征向量的余弦相似度，取最高且超过阈值的作为识别结果。
整个注册过程约10分钟（拍照+特征提取+入库），无需反向传播、无需重新训练。
三、代价与兜底
度量学习的代价是：同类包装的识别混淆率略高（如不同口味的同款饮料）。解决方案是增加二次校验——当特征相似度接近阈值时，调用重量传感器的数据进行辅助判断。
四、实测效果
在8种商品的原型机测试中，度量学习方案的平均F1-score达到0.922，运行速度33帧/秒，在低成本硬件上即可运行。
新品注册时间：从3天缩短至10分钟。每周上新的运营节奏完全跟得上。
评论前必须登录！
注册