事件叙述：
缘起：yolo检测框，在项目开始之前由于在一些场景下观察到yolo的框在大车检测的时候，回归的位置不好，一些车辆的尾部会被漏掉，特别是车牌部分，恰好被框在外面的时候，在后续就无法进行车牌检测与识别等操作，因此为了临时解决，将yolo的框进行了1/15的下移操作；
改观：首先车牌的问题在很早的时候就解决掉了，方法是在进行车牌检测+识别时对yolo框进行下移，其他模块不进行该操作（因此这里需要注意，在车牌识别的模块（不仅仅是这个模块，其他类似的操作）在设计接口的时候，一定不要设计成单张图片传入的形式，而是要传入原图+rect的形式，这样在做后续操作的时候就会更灵活），车牌检测与识别的部分在训练的时候也需要进行下移，这样可以保证在工程中可以达到训练时的效果；
后续发酵：后面面临着yolo模型的优化与更新，这时问题就显露出来了，因为前序模块的训练全都是基于老的yolo出来的图片进行训练的，如果yolo进行了更新，那么其得出的框的分布就会有分布上的改变，如果后续模块在训练的时候没有针对这里做专门的扩增等操作的话，在替换模型之后很可能后续模块的效果就会变差；
建议解决方法：
1、在训练的时候考虑各种随机增益与数据扩充（最好是在线增益），摆脱对于前序模块的依赖；
2、使用多个yolo模型输出的结果结合起来对于后续模型进行训练（有滞后性）；
3、基础模块的训练一定要先行。