這是什麼、給誰用
你有一個「看得到就能判斷」的工作，現在靠人眼或靠不準的現成工具：儀表要抄、產線要挑、門口要數人、車道要看號誌、工地要看有沒有戴安全帽。我們替你做一個只認你現場的模型，並讓它在你既有的設備上跑起來。
- 工廠與設備商：儀表讀值、產線瑕疵、料件辨識、機台狀態燈。
- 零售與活動：來客與活動人次、貨架狀態、照片自動統計進報表。
- 車隊與車用：號誌、車種、車道標線，與我們的行車資料工程接在一起。
- 已經有相機、有影像資料，但沒人會把它變成模型的公司。
五個步驟：資料到部署
接你既有的相機、車機、行車紀錄器、手機照片；先確認光線、鏡頭、色溫跟正式環境一樣——我們踩過兩台裝置色溫不同、模型直接看不見的坑。
用大型語言模型當第一輪標註員（判色、分類、框），人只複核；現成的公開模型不適合台灣場景時（例：某開源紅燈模型對台灣紅燈 recall 僅 28%），這一步省最多。
自家 GPU 訓練；補負例（沒有目標的畫面）避免誤報；切邊的框保留而不是丟棄；用幾何條件（例如地平線以下不可能有號誌）清掉誤標。
匯出 ONNX，在 CPU 上跑：執行緒數、輸入解析度、佔空比都實測；必要時拆成「偵測位置 + 小分類器」兩階段，速度與準度一起拿。
不交 mAP。交的是「該抓到的抓到幾成、絕不能錯的錯了幾次、每張幾毫秒」，並附可重跑的評估腳本。
我們自己做過的
數字全是自家資料（一台車、一組相機、一家商店），不是通用承諾；但每一個都有 log 與評估腳本可重跑。
自訓 64×64 顏色分類器（紅／綠／黃／綠箭／關），真紅燈判成綠燈只有 0.67%；綠 91.1%、黃 88.8%。在車機 CPU 上 1 顆燈 7.2 ms、4 顆 21.9 ms。
偵測器 1344×352 int8 找燈的位置（189 ms）＋分類器判色（7–22 ms）。把「找到燈」和「判顏色」拆開後，準度與速度都上來；GPU（tinygrad on Adreno）實測反而比 CPU 慢 4 倍，結案不追。
從自家行車紀錄自動裁出 8,340 張號誌燈，訂 26 類標註標準，用 LLM 代理判色做第一輪；訓練集 5,329 張含 1,809 張無燈負例、驗證 579 張。
單階段偵測器從 0.184 提到 0.555 之後，我們量出「判色從來不是問題，找到燈才是」——於是改兩階段。這種回頭改問題定義的判斷，比多跑幾個 epoch 值錢。
拍貼機照片自動判讀「這張幾個真人」（排除卡通與貼圖），與代幣數並列對照，人數不符自動標紅；店員可在後台校正、原判讀值保留可追溯。2026-08 上線至今每天產報告。
同一顆 ONNX 模型在車機上實測執行緒 2／3／4 = 499／375／412 ms——因為跟主程式搶核。這種數字不量不會知道。
3Q夥計的員工端以 GPU OCR 服務讀畫面文字，與視窗、鍵盤、剪貼簿、滑鼠合成時間軸，再萃取 SOP。
七段顯示器與指針電表：Tesseract、EasyOCR、公開 Roboflow 模型逐一實測不準，結論是要用自己現場的資料訓練——這個 PoC 沒完成，但我們知道哪些路不通。
方法：看 recall，不看 mAP
- 先定義「絕不能錯的那一種錯」。 紅燈判成綠燈是致命錯誤、綠燈判成紅燈只是保守——兩者要分開算，mAP 把它們混在一起。
- 負例要夠。 沒有目標的畫面佔訓練集三分之一，模型才不會看到什麼都想框。
- 資料清理用規則，不用感覺。 黃燈標註有 26% 落在地平線以下——那是方向燈，用幾何條件整批清掉。
- 該拆就拆。 偵測器負責「在哪」、小分類器負責「是什麼」，分類器只要幾毫秒、準度反而更高。
- 部署數字要量。 執行緒、解析度、佔空比、GPU 是否真的比較快——每一項都在目標裝置上實測，不信規格書。
- 回頭改問題定義。 指標上不去時先問「我是不是在解錯的問題」，而不是多跑幾個 epoch。
適用場景
類比指針、七段顯示器、狀態燈的自動讀值與異常判斷；接進監控系統或 Modbus 資料一起看。
照片或監視畫面的人次、貨架缺貨、排隊長度，自動進每日報表（我們在市府商店已這樣做）。
號誌、車種、車道標線、外部雷達目標與視覺目標配對；與行車 log 對齊後做驗收。
安全帽、區域入侵、危險姿態——只做警示與統計，認證設備仍用合規產品。
邊界與誠實揭露
- 準確率沒有通用數字。上面的 92.9% 是一組相機、一個場景；你的場景要用你的資料做 PoC 才能報。
- 資料量與品質決定一切：太少、光線不一致、鏡頭跟正式環境不同，模型就不會準——我們會在第一步就告訴你夠不夠。
- 我們自己也有沒做成的：儀表讀值 PoC 停在「現成工具都不準、要自訓」那一步，沒有繼續。這寫在上面。
- 安全相關場景（人員、車輛）只做輔助與統計，不承諾取代合規設備或人工判斷。
- 交付含資料集、標註、訓練與評估腳本、ONNX 模型與部署程式，你不會被綁在我們身上。