原本使用目标检测的方案来识别 UI 组件，但这种方案既需要识别出正确的组件类别还需要识别出正确的位置，以整个视觉图片作为输入，复杂的图片背景很容易被误识别，并且由于识别出的位置偏差导致很难挂载到正确的节点上，模型识别结果在线上的应用准确率较低。
目前在 imgcook 的系统中，Icon 识别从样本收集到模型识别结果的最终应用已经形成了完整的链路闭环，开发同学不需要花太多精力用于模型的优化。对于其他的模型，后续也会用同样的思路让模型具有自我迭代的能力。
另一个 D2C 智能化的难点是模型识别的结果最终如何用于生成代码，例如组件识别模型能识别组件的类别，但最终生成代码使用哪个组件库的组件、如何识别 UI 中的组件属性值这些问题，imgcook 的平台能力与智能还原技术分层架构具备解决这些问题的能力，未来会有更多的智能化方案用于生产环境。
后续我们会继续根据对 imgcook 的 D2C 智能化能力拆解，探索更多智能化解决方案，优化现有模型能力，建立算法工程闭环机制实现每一个模型的自我迭代，不断提高模型的泛化能力和线上识别准确度，辅助生成可维护性更高语义更强的前端代码。
欢迎大家一起来交流。
对于站长而言，看到这条提示并不需要过于担心，只需要针对自身网站进行有效的排查，确保页面在特定周期内访问流畅，并积极通过线上反馈给搜索引擎，很快就会进行解封。即便站长不知道如何排查，也可以通过官方渠道进行反馈，让搜索引擎平台协助排查解决相关问题。
这样的回答很正常，毕竟这么简单、直接的问法，是很难获取到有价值的信息、了解到用户的需求。
在产品经理的行业，我们经常说的一句话是，在汽车被发明之前，如果你直接问用户要什么，他只能说“我要一匹更快的马”。
所谓“无我”的境界，就是满足用户需求的时候，不能只考虑“我是谁、我有什么”，而要忘掉自己，去看用户需要什么，什么东西对用户最有用。
比如，虽然你是做AI技术平台产品经理，但你眼里不能只有AI、算法、模型——要做到“无我”，就是要做到：如果有一种非算法、非AI的产品策略，若能切实帮到业务，那也应该去做。
其次，将细节的体验也统一一下，具体到组件的设计、命名、颜色、位置等等。
当我们沉淀出一套经典的产品框架和交互标准，那产品迭代速度和用户体验，都会大幅提升。
这样，将整个平台从“纯人工标注”，转变为了“智能辅助标注”，大大提升了标注效率、降低了标注成本。
沉淀数据资产，创造更大的价值
如果一个平台有数据的沉淀，那么这些数据就需要深度挖掘，从而产生更多、更大的价值。
