# 人工叉取面种子集与 440 托盘补标

入口：

```bash
.venv/bin/python -m pallet.instance_segmentation_seed --stage all --seed 42
```

默认输入 `pallet_cluster_annotation_seed_rectangles_v1_partial.zip`，440 帧来源 `outputs/pallet_cluster_annotation_seed_rectangles_v1`，输出 `outputs/pallet_instance_segmentation_seed_v1`。可用 `--input`、`--source`、`--output` 指定新任务目录；已有冻结输入、训练结果或人工修改拒绝覆盖。

阶段为 `audit/build/train/select/predict/export/verify/package/all`，默认 all。训练可用 `--model small` 或 `--model medium` 分别启动；完整选优必须两模型都训练完成。`--device-small cuda:0`、`--device-medium cuda:1`、`--device cuda:1` 分别指定训练与推理设备。入口在导入 Torch 前设置 `CUDA_DEVICE_ORDER=PCI_BUS_ID`，使本机 cuda:0 对应 16GB 卡、cuda:1 对应 24GB 卡。

人工 ZIP 的实际多边形决定训练资格，不沿用旧导出包的未复核字段。一个 `pallet` 多边形是一张可见叉取面；`__hole__` 必须唯一归属某个面并从其掩膜扣除。嵌套同类轮廓、明显重叠、非法坐标、歧义孔洞整帧隔离。仅矩形的正例不进入分割监督，也不作为负例。

本次审计通过 53 帧、67 面、20 孔洞、43 采集组。seed=42 的采集组划分为训练 39 帧/47 面/34 组，内部验证 14 帧/20 面/9 组；验证含至少两个有孔洞组，稀有配置域保留训练覆盖。帧比例受组大小约束。训练数据采用单类 COCO 压缩 RLE，768×768 等比例补边；原生二值面/孔洞掩膜和人工原件单独保留。

固定 RF-DETR 1.11.0，实际训练 Small 与 Medium。学习率 1e-4、编码器学习率 1e-5、初始 batch=2/累积4、最大150轮、早停耐心30、EMA，仅水平翻转。内验证 mask AP 用于模型选择；孔洞背景 IoU、掩膜 IoU 和耗时用于依次打破并列。不能把这些指标当作独立测试成绩。

补标先保留可归属入选目标的人工轮廓，再用最佳模型整帧推理，必要时扩大父框裁剪重试。相邻侧面单独保留，重复预测仅抑制。每个面有独立 mask、instance_id 和由 mask 得到的 face_bbox；原父托盘框只是定位元数据。无常规候选时保留空间匹配的低置信非空掩膜并标记；无有效掩膜则留空并列入待补画，不用矩形伪造。

440 PNG/JSON 对平铺在 `delivery/` 根目录，不按 A 类或原划分分组。全部标注形状为多边形：同一 group_id 的 `pallet` 正轮廓并集减去 `__hole__` 孔洞并集。机器建议保持未复核且不能直接进入训练。同组多轮廓片段不增加实例数。人工原坐标保持不变。

交付的 `report_zh.html` 比较模型调研与实测结果；`gallery.html` 无网络依赖，可筛选 A 类、原划分、人工/机器、低置信、孔洞、双面和待补画。`targets.csv/jsonl`、`faces.csv/jsonl`、复核与失败清单可追溯目标和面身份。

`package` 生成两份 ZIP：`pallet_instance_segmentation_440_anylabeling_v1.zip` 含平铺标注对、图册、报告和校验；`pallet_instance_segmentation_training_bundle_v1.zip` 含 COCO 训练集、原生人工图像/掩膜/孔洞、返回原件、两个最佳 checkpoint、训练曲线原始 CSV、日志、依赖/源码哈希、官方 AnyLabeling 固定代码与 `retrain.py`。训练包的独立重训入口无需原 440 帧源包。

验证覆盖 RLE/二值掩膜一致、官方 RF-DETR 加载器的孔洞监督、官方 AnyLabeling 读取与保存、同组减孔光栅化、独立面框、坐标回映射、采集组隔离、440 目标完整性及原生 PNG 相同。正式标签/原划分/历史矩形包和输入 ZIP 哈希保持不变。ZIP 检查 CRC 及全部成员 SHA-256。桌面 AnyLabeling GUI 不在自动验证范围内。

人工修正后应从 JSON 重建标签，并显式完成复核状态，不以保存文件动作代替复核。后续训练需处理同帧未标注托盘的忽略区域，并另留独立分割测试数据；本次参与训练的原 val/test 帧不再具有独立分割评估资格。
