企業圖像訓練怎麼做？從資料標註到 .tflite（LiteRT）邊緣 AI 部署完整指南

走進中部一家做精密零件的小工廠，產線尾端有一張長桌，桌上擺著一盞日光燈。一位 50 多歲的阿姨戴著放大鏡，一個一個檢查工件——刮痕、毛邊、尺寸不對的退、合格的進。她做了 12 年，眼力是公司的資產，也是公司的瓶頸。她請假那天，全廠不良率立刻往上跳。

這個畫面我們在客製化系統的諮詢現場看過太多次。零售店的店員一邊補貨一邊回想哪個架位該補；農場主每天清晨拿手機拍葉子判斷是不是又有蟲害；保險公司的核賠專員一張一張比對單據真偽。共同點是——人眼能做，但累、慢、不一致，而且請不到人接班。

這類「靠眼睛判斷」的工作，2026 年正在被一件事情默默改變：**圖像訓練**。具體說，是把你公司現場拍到的照片變成一個小到能塞進手機、樹莓派、邊緣盒子的 AI 模型，24 小時幫你看。中間最關鍵的那塊技術叫 **.tflite**（現在的正式名字是 **LiteRT**，2026 年 3 月剛從 Google AI Edge 正式畢業到 production），這篇會把它說清楚。

人眼一天看 8 小時 AI 看一輩子：為什麼 2026 是該動手的時間點

最近半年我們在客製化系統的諮詢案件裡，遇到「想做影像辨識」的詢問次數比前一年翻了一倍多。真正的觸發點是三件具體的事，在 2026 上半年同時發生。

第一件事，技術門檻終於降下來。Google 在 2026 年 3 月把 TensorFlow Lite 正式換名成 LiteRT，並發布到 production——GPU 推論比舊版快 1.4 倍，NPU 加速首次內建，連 PyTorch 跟 JAX 模型都可以直接轉檔不用改架構（MarkTechPost 報告）。這意味著三年前要養一個 ML 工程師團隊才搞得動的事，2026 年一個有經驗的後端工程師加一份顧問報告就能做出 demo。

第二件事，市場規模到了非看不可的程度。Fortune Business Insights 統計，全球邊緣 AI 市場 2026 從 $375 億美金起跳，2034 年要漲到 $3,858 億，年複合成長率 29%（Fortune Business Insights）。電腦視覺是這塊餅最大的應用，製造業、零售、安防是前三大採用產業。Pegatron 跟 NVIDIA 合作用合成資料訓練視覺檢測模型，部署時間縮短 67%——這是 2026 第一季的台灣案例。

第三件事，人不夠用。iFactoryApp 2026 報告指出，AI 視覺檢測線上案例的偵測準確率落在 95-99%、每小時 10,000 件以上，24 小時不眨眼；對照之下人類檢測員在重複性 QC 工作會漏掉 20-30% 的瑕疵，下班後就停機（iFactoryApp 2026）。台灣中小製造業這幾年最頭痛的問題已經從「接不到訂單」轉成「找不到資深 QC」。

技術成熟、市場爆發、人力斷層三件事擠在同一個時間點——我們的判斷是 2026 下半年到 2027 上半年，會是中小製造業跟服務業導入「客製化視覺 AI」的關鍵窗口。先動的人會把人力結構鎖定，慢動的人後面追會比較貴。

圖像訓練到底在做什麼？三種主流任務一次講清楚

技術討論先打底。圖像 AI 看起來是一個東西，實際上拆成三種主流任務，每一種要的資料、模型、難度都不一樣。如果你只記一件事，記這張表。

看到這張表先做一個決定：你的問題是哪一種？很多人開頭就跳去研究 YOLO，但其實只要影像分類就能解，徒然把標註成本拉高、模型也養不準。我們在諮詢時最常做的第一件事是把客戶想做的事降階——能用 Classification 解的不要用 Detection，能用 Detection 解的不要碰 Segmentation。階愈低，資料愈少、訓練愈快、上線愈穩。

一份能用的訓練集要花多少時間和錢？標註成本的真實樣貌

圖像訓練 80% 的成本壓在資料標註，這是新手最常低估的部分。把「資料準備好」這件事拆出來看，會發現它比訓練本身難得多。標註行業有一套國際定價，我們先把行情擺出來。

GigaBPO 2026 的價格調查顯示，影像分類標註單價落在 $0.01–$0.15 美金每張，bounding box 物件偵測 $0.03–$0.20 每張，語意分割可以衝到 $0.50–$1.20 每張（GigaBPO 2026 定價基準）。聽起來不貴？來算一筆實帳：要訓練出能上線的物件偵測模型，業界經驗值是每類至少 1,500-3,000 張標註圖片，3 類就是 5,000-10,000 張，光標註預算就是 $1,500-$2,000 美金起跳。Scale AI 級的企業專案，10 萬張醫療影像的標註費用會落在 $15,000-$50,000 美金（GigaBPO 企業預算）。

時間成本更狠。一份來自 Kili Technology 的訪談記錄：freelancer 純手工標註 4,000 張影像花了 55 小時，平均一張 50 秒。對中小企業而言，自己派內勤兼差標 1 萬張圖，等於壓垮一個員工兩個月的產出。

這個階段最常踩的坑有四個。第一，類別不平衡——「合格品」拍了 10,000 張，「不良品」只有 50 張，模型會學到「全部猜合格就好」的偷懶解。第二，標註標準不一致——三個人標同樣的瑕疵，畫的框大小不同，模型訓練起來會抖。第三，邊界案例沒考慮——光線變了、角度變了、產品變色了，模型就壞。第四，沒留評估集——拿訓練的資料去測自己，永遠 99% 準，上線立刻打臉。

模型選型怎麼挑：YOLO、MobileNet、EfficientNet 各擅長什麼

資料標完了，下一步是選一個模型來訓練。2026 的好消息是不用從零開始——主流模型都有 pre-trained weights，你只要用自己的資料做 transfer learning，等於站在 ImageNet 上千萬張圖訓出來的特徵抽取器肩膀上。Ultralytics 的案例顯示，YOLOv8 transfer learning 用 40 張圖就能訓出可用的偵測模型——前提是任務切得夠精準。

我們的建議很簡單：99% 中小企業專案從 MobileNetV3（分類）或 YOLOv8n（偵測）入門就夠了，輕量、好部署、社群資源最豐富。等基本功跑通、看到 ROI 之後，再去衡量要不要升級到更重的架構。一開始就挑最大最強的，通常是還沒搞清楚問題就先燒錢。

為什麼一定要懂 .tflite（LiteRT）：手機、樹莓派、邊緣盒子的鑰匙

假設你訓出一個模型了，準確率 95%，老闆很滿意。問題來了——它住在你的 Python 環境裡，需要一張 8GB 的 GPU、需要 TensorFlow 完整套件、需要伺服器 24 小時開機。產線現場、店員手機、農場主的手機都跑不了。這就是 .tflite（LiteRT）要解決的問題。

簡單說，.tflite 是把一個訓練好的 TensorFlow / PyTorch / JAX 模型「壓縮 + 重新編譯」成一個檔名 .tflite 的小檔案。原本 100MB 的模型壓成 5MB、原本要 1GB 記憶體跑得起來變成 200MB、原本要 GPU 變成 CPU 就能推論。手機、Raspberry Pi、邊緣盒子（Jetson、Coral USB）都能直接吃這個檔案做 inference。

LiteRT 在 2026 年 3 月隨著 TensorFlow 2.21 一起正式上線 production（Google AI Edge 官方頁）。三件事讓它從一個「行動端工具」變成「企業級基礎建設」——GPU 推論比舊版 TFLite 快 1.4 倍、NPU 加速第一次內建（手機晶片的 AI 加速器終於有官方支援）、PyTorch / JAX 第一級支援不用改模型架構就能轉檔。

我們的判斷：LiteRT 會吃掉行動端 ML 部署 70% 以上的市場——關鍵在於它最穩，跨平台覆蓋度也最完整。AI 開發圈最近常見的爭論是 LiteRT vs ONNX Runtime vs CoreML 三大方案怎麼選——數據結果 Samsung S21 上跑同一個影像分類模型，LiteRT 推論 23ms、ONNX 31ms、PyTorch Mobile 38ms。Android 端 LiteRT 是冠軍，iOS 端 ResNet-50 這類大架構 CoreML 比 LiteRT 快 37%、但 MobileNetV3 LiteRT GPU delegate 反勝 CoreML 47ms。

換句話說：跨平台 App、Android 為主或邊緣裝置 → LiteRT 是預設答案。純 iOS 且模型架構是 ResNet 系列 → CoreML 仍有優勢。需要支援 PyTorch 模型且不想被 Google 綁住 → ONNX Runtime 是後備選項。

一個最小可行的 LiteRT 轉換腳本長什麼樣

讓你有具體畫面——這是把一個訓好的 Keras 模型轉成 .tflite 的完整 Python 腳本。看不懂也沒關係，重點是知道「就這幾行」。

import tensorflow as tf

# 載入訓好的模型
model = tf.keras.models.load_model("my_image_classifier.h5")

# 轉檔器設定：開啟整數量化（模型體積再壓 4 倍、推論快 2-3 倍）
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]

# 給代表性資料集（30-100 張就夠），讓量化器知道輸入分布
def representative_dataset():
    for img in calibration_images[:100]:
        yield [tf.cast(img, tf.float32)[tf.newaxis, ...]]

converter.representative_dataset = representative_dataset
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.int8
converter.inference_output_type = tf.int8

# 輸出 .tflite 檔案
tflite_model = converter.convert()
with open("my_image_classifier.tflite", "wb") as f:
    f.write(tflite_model)

print(f"模型大小：{len(tflite_model) / 1024:.1f} KB")

跑完上面這段腳本，你會拿到一個 2-5MB 的 .tflite 檔案，可以塞到 Android Studio 專案、iOS Xcode 專案、Raspberry Pi 或 Jetson 上做推論。手機端的 Java/Kotlin 程式碼大概 30 行就能呼叫這個模型做即時辨識。

TFLite vs ONNX Runtime vs CoreML：跨平台部署的三條路怎麼選

三大方案的比較表整理如下。實務上 90% 的中小企業專案選擇順序是 LiteRT > ONNX > CoreML，因為跨平台覆蓋度跟生態成熟度差距還是很明顯。

簡單決策：以 Android 為主或需要跨平台 → 直接選 LiteRT，不用想太多。要把 PyTorch 模型直接搬到行動端、且想避開單一廠商生態 → ONNX Runtime。純 iOS App 且模型架構偏大（ResNet、Inception）→ CoreML。

從訓練到上線的 6 個關卡：每一關都有死人的地方

把整個圖像訓練到上線的旅程拆成 6 個關卡。每一關都有它特定的失敗模式，照這張流程圖走，至少不會走偏。

每一關的常見死法整理在下表。新手最常死的地方往往落在「資料蒐集 SOP 不夠嚴」這一關——拍照角度、光線、距離不一致，模型在實驗室準、上線就崩。模型訓練本身反而沒大家想得那麼難。

自己土法做還是找團隊做？時間、人力、預算的實算

走到這裡，你應該已經有判斷工具了。問題剩下一個：「我自己組人做」對中小企業划算嗎？我們把實際成本擺出來。

「77% AI vision 專案卡在 pilot」這個數字來自 iFactoryApp 2026 的產業統計（AI 視覺 pilot 失敗率）。最常見的失敗原因藏在「組織斷層」——找了一個 ML 工程師，但沒人懂產線、沒人懂部署、沒人懂跟現場師傅溝通，技術本身反而是最沒問題的一塊。一個能跑通的圖像 AI 專案，需要的是「會 ML + 會工程交付 + 會做產品 + 會跟現場走流程」的小團隊，單靠一個天才工程師撐不起來。

中小企業的真實困境是這樣：自己組一個能跑通的小團隊，成本至少 100 萬起跳、時間 6-12 個月，而且第一個專案大概率是學費。對比之下，把第一個案子交給有交付經驗的客製化團隊，反而是把試錯成本壓到最低的方式。等內部跑出第一版能用的模型、ROI 算得出來，再考慮要不要養自己人。

中小企業老闆該怎麼判斷要不要動手：3 個關鍵自我檢測

我們做諮詢時常被問「我們公司適合做圖像 AI 嗎」。給你三個可以自己回答的檢測，三題答 Yes 就值得認真評估，少於兩題就先放著。

三題都 Yes，下一步是花 1-2 小時跟一個有經驗的團隊聊一次，把場景畫出來、把 ROI 試算一下。三題只中一兩題，可能你公司現在還不是動手的時間點——把錢花在數位轉型其他更有立即回報的地方（流程自動化、客服 AI、報價系統）會更划算。

舉一個延伸方向——如果你公司還沒到「視覺辨識」這一步，但有大量重複性文書、客服、報價工作，可以先從 中小企業 AI 自動化 5 個真實場景 或 2026 企業 AI 導入完整指南 起步，跟著流程把容易自動化的環節先吃下來。等內部對 AI 有信心了，視覺辨識會是下一個自然的擴展題。

我們怎麼看：圖像 AI 接下來三年的方向判斷

結語：圖像 AI 已經是中小企業也用得起的新工具

三年前說圖像 AI，我們會建議大部分中小企業先觀望。2026 不一樣了——LiteRT production 上線、transfer learning 把資料門檻降到幾百張、邊緣裝置便宜到 3,000 元一台、開源模型品質追上商業方案。技術門檻第一次低到中小企業可以動手。

唯一的問題是「要動手做什麼」。這篇給你了三個自我檢測、六個流程關卡、三大部署方案的比較。下一步是把這套框架套到你自己公司的現場——哪個環節最痛、哪個值得先試、預算抓多少。

如果你想跳過自己摸索的階段，直接跟有經驗的團隊聊一次，可以 約一次 AI 顧問諮詢。我們會帶著這篇的框架跟你的現場資料，跑一遍評估，告訴你「這個值得做嗎、大概要多少預算、怎麼分階段做最划算」——這個階段我們陪你一起想，後面真的要動手再談範圍跟費用。也可以從 AI 系統開發服務頁 看我們在這塊的服務範圍，或從 客製化系統開發 看我們做過的整合案例。