080.领域自适应：当你的YOLO在新车间“水土不服”时

上周产线出了件怪事：在A车间调得服服帖帖的YOLOv5缺陷检测模型，搬到新建的B车间后，漏检率直接飙升到30%。两个车间检测同款零件，光照条件不同（A车间是暖黄光，B车间是冷白光），摄像头型号也换了。更头疼的是，B车间刚投产，根本没时间标注新数据。产线经理盯着我问：“模型不是通用的吗？”

这就是典型的领域偏移问题——你的模型在源领域（A车间）表现良好，到了目标领域（B车间）就“水土不服”。今天要聊的领域自适应（Domain Adaptation），就是解决这类“无标签新场景”迁移的实战技术。

问题本质：特征分布不匹配

拆开两个车间的推理结果可视化一看就明白了。A车间的特征分布集中在特征空间的某个区域，B车间的特征却漂移到了另一侧。模型在训练时学的是A车间的“视觉习惯”，遇到B车间的新光照、新摄像头，底层特征提取器就懵了。这不是模型能力问题，是数据分布问题。

传统思路是“在B车间重新标注数据再训练”，但现实场景往往等不起。领域自适应的核心思想是：在无目标领域标签的情况下，让模型自己学会对齐两个领域的特征分布。

实战路径：从简单到复杂的三种打法

方案一：伪标签自训练（快速启动）

当领域差异不太大时，伪标签是最快的启动方案。但这里有个关键细节：

# 伪标签生成策略（别直接全信模型输出）def