视觉识别与检测
目标检测、分类、计数、区域与行为判断，是算芽最主要的能力基础，也是多数行业场景的起点。
行业算法定制从业务结果反推算法设计
大多数 AI 项目失败不是模型不行，而是一开始就没说清"识别对了之后要发生什么"。算芽的定制流程从判定标准开始，而不是从模型选型开始：先确认业务动作，再看现场条件，再谈数据和算法路线。能离线就不依赖网络，能部署在现场就不把时延留给云端，能持续学习就不让系统停在交付那天。
定制流程
四个阶段，每个阶段都有明确的交付物和退出条件。任何一个阶段结论是"暂时不适合做"，我们会直接说。
-
业务目标与判定标准
先回答两个问题：什么算对、识别对了之后系统要触发什么动作。判定标准如果连人工都给不出一致结论，算法也不会有稳定表现，这一步不能跳。
-
现场条件勘察
安装位置与视角、光照与反光、遮挡情况、可用算力、网络条件、现有设备与系统。很多方案的可行性在这一步就已经定了。
-
数据方案
评估现场已有的视频与图像素材，确定需要补采的样本范围、采集方式与标注口径。采集条件必须贴近真实场景，理想条件下拍的样本帮助有限。
-
算法路线与部署运营
给出感知方式、算法路线、边缘部署形态、与现有系统的对接方式，以及上线后的样本更新和异常处理流程。
可定制的方向
以视觉为原点，向相邻感知方式延伸。下列方向中，部分已有落地案例，部分处于研发或方案探索阶段。
OCR 文字识别
面向单据、标签、仪表与铭牌的文字提取，常与业务系统的录入环节结合，替代人工抄录。
声学智能检测
用声音信号判断设备或环境状态，适合视觉受遮挡或看不见的场景。属于探索中的方向。
智慧农场视觉
面向农牧与水产场景的计数、状态识别与环境观测方向，处于方案探索与规划中。
AI 环境评分
把环境整洁度、物品摆放规范等主观检查项转成可量化、可复盘的评分。属于研发中的方向。
数字后勤算法
围绕厨余、物品管理、人员核验与环境运营的后勤智能方向，按项目组合已有能力模块。
工业视觉质检、声学预测维护、智慧农场与 AI 环境评分等方向处于持续研发或方案探索阶段，具体交付范围以项目评估为准。算芽不在官网披露未经现场验证的准确率、时延和规模指标。
什么样的需求适合找我们
判定标准能说清楚
你能给出一批例子并稳定地说出哪些算异常、哪些不算。这比拥有多少数据更重要。
识别结果会改变动作
识别对了之后有人会去做点什么，或者系统会自动触发什么。否则做出来也不会被用。
现场看得清目标
相机能装到合适位置、目标在画面里足够清晰。看不清的情况下应该先改造现场，而不是先调模型。
愿意先做小范围试点
用真实数据验证过再扩面，是控制项目风险最有效的方式，也是我们建议的默认路径。
COMMON QUESTIONS
常见问题
我们没有标注数据，能做吗？
多数项目起步时都没有可用的标注数据，这不是障碍。数据方案本身就是定制流程的一部分：先评估现场已有的视频与图像素材，再确定需要补采的样本范围、采集方式和标注口径。关键是采集条件要贴近真实场景，理想条件下拍的样本对现场表现帮助有限。
定制一个算法大概要多久？
周期主要由判定标准的复杂度、现场条件的可控程度和样本获取难度决定，而不是模型本身。相对确定的检测类任务通常比开放场景的细粒度识别快得多。我们会在评估阶段给出阶段划分和各阶段的交付物，而不是先报一个笼统的总工期。
为什么强调边缘部署？
现场往往有三个硬约束：网络不可靠、时延不能等、数据不方便出场。把推理放在现场设备上可以同时缓解这三点。云端更适合承担策略下发、数据汇总与模型迭代，而不是承担每一帧的实时判断。
什么样的需求你们会建议不做？
判定标准本身说不清楚的（连人工都无法稳定给出一致结论）、现场条件无法看清目标的、以及识别对了之后业务上并不会因此改变任何动作的需求，我们会直接建议先不做或先改造现场条件。硬上只会浪费双方时间。