# 全量人工轮廓训练：标注助手优先，不再沿用历史留出集

## 最新授权与数据

用户明确：7张质检通过、取消原val/test训练限制、所有分量均参与训练，并要求执行。
本次另立全量标注模型版本，不修改历史正式划分文件/旧指标，不再将旧val/test或内部dev/cal当独立评测。

数据目录 `outputs/pallet_mask_annotation_full_v1/`：

- **1,559份真实人工轮廓、22类均≥50、194个有标注隔离分量，全部train**。
- 原来源标签为train726、val473、test360；本次均获新标注模型监督授权，原身份只保留审计。
- 原图库来源1,552份＋隔离库7份。7份实际人工重描且用户明确质检通过，本版本纳入；原13条隔离事件及其false资格标志不回写。
- 最新常规只读源快照为 `outputs/pallet_mask_continuation_sources_v15/`，独立7份数据库另作私有快照。
- 不再使用旧294份/13类范围，不沿用旧内部dev/cal排除，也不因unknown/窄条元数据整类删减。
- 仍使用原人工多边形真实点数与顺序；不填孔、补角、修改原框或伪造未保存标签。

每张训练图像由**固定原框context规则**得到：横向`max(48px, .2×框宽)`、纵向`max(16px, .6×框高)`，
与人工polygon形状无关。该规则覆盖现有全部监督，没有用人工轮廓推理时不可得的bbox来裁图。
部分人工轮廓超原框，审计单列，不修改原框/标签；其它已知目标框区域设ignore，人工前景不被ignore误擦除。
未知后排/闭孔与语义冲突仍是残余风险，全量参与不代表这些风险已消除。

模型输入仅图像像素，原框用于部署可用的定位。人工多边形仅作监督，类别/ID/组/位姿/标尺/选面不作模型数值输入。
分量/类别仅用于采样与审计。没有独立验证集、校准集或盲测集，不能提供独立泛化成绩。

## 两条固定预算训练

不是重新做7项比较矩阵，而是训练两种可用于待人工复核预标注的全量模型：

| 路线 | 模型/监督 | 固定预算 | 显卡 |
|---|---|---:|---|
| M1 | ResNet18高分辨ROI分割，BCE+Dice，edge权重0，弱光度增强 | 30轮、11,700 optimizer updates | 非3090、16GB UUID3315c096… |
| M2 | RF-DETR-Seg Small576，padding/邻目标ignore，有效2048点maskloss，原检测损失保留 | 20轮、7,800 optimizer updates | 非3090、24GB UUID09ed84c8… |

两条均从固定SHA通用预训练开始，seed42、有效batch8；M2物理batch2×4次累积。
M2直接使用固定上游model/criterion/参数组，通过显式PyTorch优化循环训练，避免旧Lightning结束时设备迁移问题；
不是声称纯上游默认训练。FP32 mask损失，支持BF16的卡上M2前向用BF16。

**每轮先确保全部1,559图像至少曝光一次，再追加1,559次按分量均衡抽取**，随后打乱；
194个分量每轮全部出现，不仅依靠随机抽样“期望”覆盖。记录逐图、逐类、逐分量真实曝光次数。
该混合方案减少大组支配，但不声称每张/每类/每组权重同时严格相等。

不按训练IoU挑最优或伪造验证早停；固定轮数结束使用最终EMA，保存last/最终EMA及实际步数。
训练后全量原生IoU/HD95/F1只称**训练拟合诊断**，每条标记`trained_on_this_image=true`，绝不当独立准确率。
真正标注实用性需后续未处理新图上的“预标注—人工修订”时间、改绘量和重画率验证。

## 运行与保护

- 新实现：`pallet/mask_annotation_full_data.py`、`pallet/mask_annotation_full_train.py`。
- 入口：`scripts/run_mask_annotation_full.py`、`scripts/launch_mask_annotation_full.py`。
- 来源/导出/保全只读复核：`scripts/verify_mask_annotation_full.py`。
- 旧229、263、294、全部模型/失败证据、正式20,768文件、人工历史及配置不覆盖；新实验总预算10GiB、至少保留10GiB空闲，不删除旧文件。
- 每worker启动前重新查询GPU并绑定UUID，3090不使用。不修改依赖/运行中的线上服务。
- 新人工修订不会动态追加冻结数据，需要再建版本。
- 全量训练不自动授权GT、传播种子、机器人或免人工发布。输出只应作可编辑预标注草稿。

数据manifest SHA-256：`49e261a008c4faba112116e831e66776e9234b14477129acfd439ebac23a9566`。
完成状态以各route实际`first_actual_training_batch.json` / `completion.json`及最终`FINAL_HANDOFF.json`为准；
launch不等于首步成功，首步成功不等于全部训练完成。

## 实际数据验收与启动回执

已实际完成全量冻结与不导入producer的只读复核：1,559真实来源、7份质检批准来源、
22类计数、194分量、原图/frame去重、全部原生ROI与COCO RLE/等比映射及旧数据保全通过。
数据产物与来源旧事件不会在训练期间动态变化。
93项CPU合同/回归通过，JUnit存于`contracts.xml`；包括每轮全图/全组保证、均衡额外采样、邻目标ignore、
mask有效区梯度、RF标签归一与单阈值原生回映射。该验收不认证模型质量。

两worker已提交：M1 PID12827、M2 PID12828，见`launch.json`。各进程真实首步以对应回执为准。
完成审核使用pidfd等待两个进程结束，再重新读取checkpoint步数、逐图/逐组曝光及原生RLE拟合指标，
只有两条都实际完成才标记全完成，否则`partial_or_failed`，不会把launch或失败回执冒充训练完成。

两条首步现已实际成功：M1物理/有效batch8，峰值约1.32GB；M2物理batch2、有效batch8，峰值约2.32GB。
对应`first_actual_training_batch.json`均有真实forward/backward/optimizer step1回执。
这只证明训练已开始，尚未把计划的11,700/7,800步记作已完成；仍未启动线上自动标注或发布GT。

## 最终完成结果（覆盖上面的启动阶段状态）

两条均已实际完成并通过pidfd结束后只读核验，权威回执：
`outputs/pallet_mask_annotation_full_v1/FINAL_HANDOFF.json`，
状态`verified_both_fullpool_training_completed_no_quality_release`，`errors=[]`。
每条最终checkpoint实际步数、1,559图/194分量曝光、全部原生RLE拟合指标重放及旧数据保全核验通过。

| 路线 | 实际更新 | 训练拟合IoU中位 | P10 | IoU≥0.90比例 | HD95中位px |
|---|---:|---:|---:|---:|---:|
| M1 | 11,700 | 0.95624 | 0.62576 | 76.20% | 1.0 |
| M2 | 7,800 | 0.94062 | 0.88853 | 85.63% | 1.0 |

均为**参与训练的1,559张上的拟合诊断**，不是验证/盲测或新图准确率。两个模型空预测均0。
M1中位更高但低分尾部明显较弱，不能按中位数就断言它更适合全部分量；M2尾部和≥.90比例较好，
也不能据此保证未标新图效果。全量参与训练不等于全部分量均已达到良好质量。

模型：`m1/final_ema.pt`（SHA-256 `4a73f72143c23fdbef375d3412d3cffdf5b2005b5f8ed2d08ef0ce41e37e9800`）、
`m2/final_ema.pt`（SHA-256 `92ce35476d4b0887a0e791dc20972c9640aab558ec876df84296b713ebe8ed4c`）。
旧数据/模型未覆盖；没有自动激活线上模型或将预测升格GT。
下一步应在尚未处理的新图上做小批预标注—人工修订试运行，比较改绘时间、重画率和各分量实际失败类型，
而非拿训练拟合分数充当发布资格。
