知识点 › 部署与回流

训练-部署一致性

Train-Deploy Consistency

部署与回流Lv.2

定义

同一帧数据,训练管线与车端管线的输出必须逐位接近:预处理(resize/归一化/颜色空间)、标定参数、坐标系、后处理(NMS/阈值)、量化。不一致是「离线好线上差」的头号原因。

关键要点

  • 必须做「离线回放对齐」:把车端录制的原始数据喂给训练管线,比对输出
  • 常见坑:BGR/RGB 弄反、resize 插值不同、归一化均值版本不同
  • 要建自动化的一致性测试,而不是靠人肉比对

面试怎么答

讲「同一帧双跑比对」,这是排查线上掉点的第一动作。

相关知识

  • 线上掉点排查 — 系统化排查顺序:①确认现象与范围(车型/区域/版本/时间);②对比新旧版本同场景数据;③查数据分布漂移;④查前后处理与…
  • 算子精度对齐 — 同一份输入,训练框架(PyTorch)与车端推理引擎(TensorRT/厂商 SDK)逐算子输出要一致到可接受误差。差…
  • 数据闭环 — 把「真实世界产生的数据」持续转化为「车端模型能力」的工程体系:车端采集 → 回传 → 存储治理 → 场景挖掘与标注 →…
在星图上打开这颗星 →