在机器学习领域，构建一个能够准确执行特定任务的数据集是至关重要的。然而，在这个过程中，可能会忽略一些边缘情况，这些情况对于模型来说是“超范围”的。虽然这些超范围的实例对来说是直观的，但模型没有能力知道它所展示的范围之外的任何事情。因此，模型总是只能占据广泛且常常超范围的世界的某个子集。
为了更具体地讨论这个问题，让以Roboflow的“浣熊目标检测数据集”为例。在这个数据集中，只收集了浣熊的照片，毫不奇怪，这个模型在测试集上的表现非常好。但是，当在现实生活中使用这个模型时，会发现它认为也是一只浣熊。这个问题普遍存在于机器学习模型中，无论是超范围的标志检测、缺失螺丝的错误识别，还是意外地阻止狗而不是兔子吃蔬菜。
为了解决这个问题，可以采取几个步骤。首先，构建一个代表性的测试集是解决超范围问题的最大一步。特别是如果测试集图像不包含目标对象或类别，那么这个测试集应该完全代表模型将要部署的环境。虽然在这个步骤上偷工减料可能很诱人，例如，只是从OpenImages收集图像。收集与问题相似但不是直接来自相机（或网站提交等）的图像是原型模型的好方法，但为了完全投入生产，最终需要直接收集数据。
其次，通过缩小模型需要进行预测的领域，总是可以帮助模型。例如，在不断变化的后院监控兔子可能是一个难以处理的任务。但在传送带的受限环境中识别制造缺陷可能会容易得多。
第三，如果模型在测试时受到超范围问题的困扰，建议收集显示空示例的训练图像。在分类数据集中，实际上会将这些图像标记为“超范围”类别，以教模型学习什么是在其范围内和范围之外的。在目标检测、关键点检测或实例分割数据集中，只需将这些图像留作未注释即可。
向模型展示空示例将教会它在进行预测时学会放手。在上面的浣熊示例中，提供一些未标记的人的图像将有助于模型适应超范围的情况。
需要注意的是，不要向模型提供太多的空示例。在训练过程中，可能会达到一个点，即不进行任何预测的先验信念可能会压倒进行任何预测的可取性。
第四，如果有一个特定的超范围实例困扰着模型，可能要考虑积极地将这个案例标记为自己的类别或对象。例如，假设想要检测手机中螺丝的存在，并且标记了所有螺丝的实例。在测试时，发现模型也将缺失的螺丝预测为螺丝。得出结论，模型已经学会了基于位置上下文来预测螺丝。可以通过积极地在训练集中标记“缺失螺丝”来解决这个问题。
最后，机器学习模型是不断发展的。当部署模型时，将不可避免地遇到新的超范围边缘案例，这些案例在构建训练集时没有预料到。积极识别这些问题、收集数据、重新训练和重新部署模型的过程被称为主动学习，这对于设计一个生产级别的计算机视觉模型至关重要。