标准回答
先判断：通用还是定制
如果标签是通用的（猫狗、风景、食物、文字），直接用现成能力最划算：云厂商的图像标签 API 开箱即用，或者用多模态大模型，把图片连同 prompt「列出图中的物体和场景标签」发过去，结构化返回。几乎零开发成本。
定制场景才需要自己训
如果要识别自家业务专属类别（如服装的「廓形/领型」），现成模型覆盖不到，就得：定义类别体系→标注一批数据（每类几百到几千张）→微调分类或检测模型→评估迭代。这是有数据和算力门槛的。
落地要点
- 置信度阈值：模型对每个标签给概率，设阈值（如 0.7），低于的不自动采用。
- 多标签 vs 单分类：一张图通常多个标签，用多标签输出而非强制选一个。
- 边缘 case：图里多个物体、严重遮挡、小目标，识别会掉点，需要针对性补数据或人工兜底。
常见误区
⚠️ 常见踩坑
不设置信度阈值，把模型瞎猜的低置信标签也自动打上去，污染数据；以及类别定义模糊（什么算「正装」），导致标注不一致、模型怎么训都不准。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。