不是老模型战胜新模型
最近做了一个细长区域分割实验。任务并不复杂：在一个工业视觉场景中，给定图像后稳定输出目标区域的 mask。它不是开放世界检测，也不是多类别实例分割，业务真正需要的是像素级区域提取。
一开始，我把 2015 年的 U-Net 当成经典 baseline，预期它能给出一个参考下限。真正表现更好的，直觉上应该是更新的 YOLO26 系列模型，毕竟后者工程生态成熟，也通常会搭配预训练权重。
但实验现象没有这么线性：U-Net 在没有预训练、从随机初始化训练的情况下，很快进入稳定表现区间；在当前任务上，它并没有明显输给使用预训练权重的新模型。
这不是“老模型战胜新模型”的故事。更准确地说，它提醒我重新看一个问题：工业视觉里的模型有效性，到底来自模型发布时间、参数规模和预训练光环，还是来自任务结构与模型归纳偏置之间的匹配？
先判断输出形式
很多模型选择一开始就被框架牵着走。看到 YOLO，就自然想到框、类别、置信度和实例；看到新模型，就默认它应该比老模型更强。但工业项目首先要问的不是“用哪个模型”，而是“业务到底需要什么输出”。
在这个场景里，目标区域有时是一整条，有时因为遮挡或结构状态变化，看起来像断成两段。但业务并不需要判断两段是不是同一个实例，也不需要给每一段分配独立身份。业务只关心一件事：哪些像素属于目标区域，哪些像素不属于目标区域。
- 如果要的是框，检测模型是自然选择。
- 如果要的是每个像素的类别，语义分割更直接。
- 如果要区分每个对象的独立 mask，实例分割才是必要的。
- 如果最终只要报警结果，分割可能也只是中间环节。
当前任务要的是单类区域 mask，所以它首先是一个语义分割问题，其次才是一个模型选择问题。
细长区域更吃空间定位
U-Net 在这个任务上表现稳定，并不是因为它“更先进”，而是因为它的结构假设很贴近任务形态。它通过编码路径提取上下文，通过解码路径恢复空间分辨率，再用跳跃连接把浅层空间细节带回分割结果。
这对细长结构非常重要。细长目标面积占比小、边界占比高，轻微下采样就可能造成断裂；局部边界偏移、端点丢失、mask 变粗或变细，都可能影响后续业务判断。
- 细长目标不只要求“识别存在”，还要求“保持形态”。
- 浅层边缘和纹理信息不能过早丢掉。
- 遮挡后的短小可见段，往往比整体 IoU 更能暴露风险。
- 视觉上断成两段，不代表业务上就是两个实例。
U-Net 的价值恰好在这里：它不需要把像素问题包装成对象问题，也不需要引入额外实例抽象。模型优化的方向，和业务需要的输出形式之间几乎没有中间层。
预训练优势为什么没有压倒性转化
这次实验里更值得注意的是，U-Net 没有使用预训练权重，仍然表现不错。这不意味着预训练没用，而是说明预训练的价值是条件性的。
预训练通常提供的是开放视觉世界里的通用先验：边缘、纹理、形状、对象语义和复杂背景理解。对于开放场景、多类别、小数据、复杂背景任务，这些先验很有价值。但工业视觉常常是受控场景：相机位置固定，背景模式有限，目标形态有工程约束，主要变化来自遮挡、光照、反光、模糊、污渍和设备状态。
在这种分布相对窄的任务里，模型未必需要理解整个视觉世界。它只需要在当前数据分布中学会目标区域对应的局部纹理、边界形态和上下文组合。
预训练权重提供的是更好的起点，但不保证更好的终点。当任务结构足够清晰、数据分布足够集中时，一个结构合适、容量适中的经典模型，也可能很快接近当前任务的有效上限。
不要只看总指标
如果要让这个观察更扎实，不能只看 Dice、IoU 或 loss。对于细长区域，总指标很容易掩盖关键错误：少一小段、断一个端点、边界偏一点，面积损失可能不大，但业务影响可能很明显。
更合理的评估方式，是围绕业务风险补充指标和分场景评估。
- 看 boundary F-score、中心线距离、端点误差，而不是只看整体 IoU。
- 单独统计遮挡、小目标、强反光、暗光、模糊和两段可见目标。
- 检查连通区域数量、漏检长度比例和后处理后可用率。
- 按视频、车辆、线路、相机、采集日期划分数据，避免相邻帧泄漏。
如果 U-Net 只是在总体指标上接近，但在极端工况下明显弱于新模型，那就应该继续改模型或补数据。如果它在关键子场景里也足够稳定，那它的工程价值就不能只被当作 baseline。
模型选择是一种系统设计
工业视觉最终不是模型比赛，而是系统交付。除了精度，还要比较训练复杂度、推理速度、显存占用、部署链路、后处理成本、错误定位难度和长期维护成本。
模型能力冗余不是免费的。一个能力更广的新模型，如果把输出结构、调参空间、后处理和部署链路都变复杂，却没有在当前任务的关键错误类型上带来明确收益，就未必是更好的工程选择。
这次观察真正有价值的地方，不是“2015 年的 U-Net 还很能打”，而是：当任务被定义清楚之后，很多看似先进的复杂能力，可能并不是必要条件。
最好的模型，不一定是最新的模型。最好的模型，是以最小复杂度稳定完成业务闭环的模型。