训练集里良品与缺陷的比例是 200:1，缺陷中划痕类占 80%。当前用交叉熵训练，在 0.5 阈值下缺陷 recall 只有 0.3、precision 0.98，业务明确要求漏检率必须降下来。你会先动哪一步？请给出一条可落地的调整路径，并说清每一步在训练端还是推理端生效、会带来什么副作用、怎么验证是它起了作用。

面试官在考什么

考察候选人在强不平衡下能否区分“改训练分布”和“改决策阈值”，并知道两者对推理端概率的影响。

类别不平衡

回答框架 · 前两步

1. 先改评估口径：在固定误检预算（如每千件允许 N 次误报）下看 PR 曲线上的 recall，而不是看 accuracy 或单一阈值下的 precision。
2. 类别加权、重采样、focal loss、阈值移动本质上都在改变决策边界，选 1–2 个并做消融，堆叠会失去可归因性。

延伸阅读

• 项目深挖：五层结构下的追问与逐字稿

想看这个方向的整体准备路线？ 进入「CV 与多模态」方向页

同一能力域的其他题

• 工业缺陷检测里缺陷样本极少。你简历写"准确率 85%→95%"，请说明：类别不平衡你具体怎么处理的？为什么在这种情况下"准确率"往往不是个好指标？
• 某产线一条工位用同一台工业相机连续拍了 30 天，共 50 万张图，其中质检员框选标注出的缺陷图 300 张，缺陷类型有划痕、脏污、凹坑三种。数据按采集时间顺序存放在同一个目录里，同一件产品经过该工位时会被连拍 8~10 帧。你接手后，从拿到这批数据到切出可用的 train/val/test，你会做哪几件事？划分方式为什么这么选？
• 某厂两条产线要做统一的缺陷检测模型。A 线每天产出约 20 万张图，良品率 99.5%，累计缺陷图 1000 张（划痕 600、脏污 300、其他 100）。B 线是新产品，收集两周只有 80 张缺陷图（类别与 A 线不完全重合），良品图 5 万张。你会怎么构建和划分数据集？请具体说清：以什么单元划分 train/val/test、跨线数据怎么用、长尾的“其他”类怎么处理、测试集怎么设计才能反映上线后的真实表现。
• 你接手一条产线的缺陷检测项目：A 线有 18 个月历史图像，但缺陷定义在这期间改过 3 次（标签体系漂移，比如原来叫“划伤”的现在被拆成“线性划伤”和“压痕划伤”）；B、C 线刚上线 2 个月，只有 300 张已标注图，标注由质检员兼职完成，同一张图两个人标的框 IoU 只有 0.4。你的目标是 6 个月内把模型迭代到可上线。请说清楚：第一版训练集你怎么组、历史数据用不用怎么用、标注一致性你怎么管、以及你会向产线/质量团队要什么配合。
• 某产线连续采集了 5000 张图像，其中只有 40 张含缺陷，且这 5000 张是同一天、同一台相机、同一光照条件下拍的，同一块产品有时会连拍多张。现在你要训一个缺陷分割模型，请说明你会怎么划分训练/验证/测试集，为什么不能直接把 5000 张随机打乱按 8:2 分？如果把模型部署到另一条产线上，最可能出现什么问题？
• 你的训练集有 20 万张 OK 图、800 张缺陷图，缺陷分 5 类：划痕 500 张、脏污 150 张、凹坑 40 张、压伤 60 张、异物 50 张。目标是把 5 类都做到可用。请给出你处理不平衡的具体动作顺序和取舍，并说明每一步是为了解决哪个层面的不平衡。