# 托盘轮廓训练诊断 v1：冻结研究数据、失败证据与下一轮最小对照

日期：2026-10-26。**本次只读分析＋CPU重放，未启动训练、未使用GPU、未改模型/数据/配置/人工库/旧发布；没有再委派Agent。**
权威协议为 [`pallet_mask_model_research.md`](pallet_mask_model_research.md)、[`pallet_mask_model_execution.md`](pallet_mask_model_execution.md)。新证据仅写入 `outputs/pallet_mask_model_training_diagnosis_v1/`。

## 1. 结论与优先级

1. **不是“训练没有完成”或“0准确率”。** M1完成50轮；M2首次API失败保留在`m2/failure.json`，修正后的`m2_retry1`完成58轮。两者均有非空预测，但按当前质量协议交付0份，接受集质量为null。
2. **全拒绝有两个独立的充分原因。** 当前dev只有5个隔离分量，代码要求≥10个，任何阈值都无法通过；而且91张中两个模型均**没有一张IoU≥0.95**，即使去掉组数限制，任何非空置信度子集也不可能达到中位IoU≥0.95。不能以修门禁、降阈值或挑图代替质量提升。
3. **训练覆盖和开发分布是首要问题。** 138张train中Class8/21占66.7%；91张dev中Class17/20占69.2%，它们在train仅3张/1张。所有229张都是“近正视候选”；dev双开口结构只有1张。类、结构、采集组、图像来源/原生分辨率相互混杂，无法用本轮区分纯粹的类别、sensor或模型架构因果。
4. **边界定位而非“是否找到托盘”是主要剩余差距。** M2后期框AP约0.94而mask AP约0.70；CPU重放中M2上/下包络普遍向下偏约1原生像素。M1也有上缘内缩、脚底缺失和凹口内孤岛。必须优先核查重采样坐标与薄结构监督，再做分辨率/损失消融。
5. **当前confidence不是可交付质量概率。** M1是已预测前景内概率均值，和IoU的Spearman相关为−0.618；M2是query分类分数，不能说明1px边界正确。二者大量错误仍有约0.96置信度。只扫0–0.95置信度阈值没有解决误差排序。
6. 推荐顺序：**新版本语义/修订冻结和组覆盖 → RF adapter坐标/数值合同 → M1 mask-only/边界梯度路线 → image-only ROI归一/适度框抖动/编码器冻结 → 高分辨薄结构解码 → 独立校准与人工试运行**。关键点先做语义映射，不硬凑K。下文参数只是待验证方案，**重训须另行明确执行确认**。

## 2. 证据范围、版本与完整性

- 实验：`outputs/pallet_mask_model_training_v1/`；本次重新校验manifest中的**694个冻结文件**，229份来源不变（138train/16分量，91dev/5分量）。manifest SHA256：`563326cddcd97962a8f2cd8ceb5fe760cb76a0c5f0572a6e9535d01b2ccc13db`。
- 最终状态：`outputs/pallet_mask_model_training_history_v2_m2/TRAINING_FINAL_HANDOFF.json`；逐一校验其绑定的`history_v2_checked/verification.json`、`history_v2_m2/verification.json`哈希，而非复用早期“current完全未变”的表述。
- 代码：`pallet/mask_model_training.py`、`mask_model_training_data.py`、`mask_model_training_rfdetr.py`、`mask_model_training_integrity.py`、`mask_model_training_history_v2.py`，并对照实际run的`code_snapshot/`和配置。RF-DETR细节核对本地固定1.11.0包，不假设最新版文档行为。
- 人工来源采用一次性读取的`outputs/pallet_mask_continuation_sources_v5/`封存审计：1,503份研究轮廓＝482 pose＋1,021 gallery，1,126条gallery事件，旧1,088条事件前缀保留，14个旧目标current已有后续修订。此快照证明事件来源/保存计数，**不证明轮廓准确率或GT资格**。
- v5记录19个新增distinct保存目标，不把修订事件算成新图。用户报告的前10/9/7补样均已完成；v5是其生成时点的封存来源，不用较早快照反驳后续7张的完成，不无意义轮询主线程后续来源。全部补样均不回流本轮训练。
- 本次起始`df`项目盘约55GiB可用（不是沿用旧调研时9.3GiB）；CPU重放约102秒，主诊断输出约2.5MB，含补充审计总量仍仅数MB；没有复制checkpoint、数据库或大包，没有删除旧文件。

### 2.1 训练期间真实人工修订，不能称为训练数据被篡改

`history_v2_m2/trained_or_dev_superseded_references.jsonl`绑定的3份如下。IoU/HD95是**旧人工版本对新人工版本**，不是模型成绩：

| target key | 本轮位置 | revision | 旧/新轮廓IoU | HD95 | 顶点数 |
|---|---|---|---:|---:|---|
| `85d3419cca66a2ceab747122` | train / C12 | 1→2 | 0.985619 | 0px | 12→12 |
| `785429678cd8a02b65fc3946` | train / C20 | 1→3 | 0.990154 | 1px | 8→8 |
| `8044edaa50feb7b2b4dde14d` | dev / C11 | 1→2 | 0.993595 | 1px | 10→10 |

旧事件原字节仍在历史中，合法追加改变了current；v1“current不变”的严格校验与v2“合法修订可追溯”是不同协议，不能把二者混说。训练没有动态替换这3份，亦没有追加补样。模型所有已发布指标仍然是**对冻结旧research标签的一致性，不是当前最新GT准确率**。这些修订幅度较小且仅涉及1份dev，不足以解释广泛的边缘误差；不能据此给未审计标签自动升格。

![人工版本差异](../outputs/pallet_mask_model_training_diagnosis_v1/human_revision_comparison.png)

## 3. 从658到229：资格审计合理，但可训练覆盖骤减

1,484份旧研究轮廓正式划分为658train/470val/356test；658只是候选来源，不是658份已获训练资格GT。全12,344个目标先审计同group/frame/图像像素/PCD和跨类、跨sensor近重复，得到408全局分量，发现1条跨类近重复连接；连到正式val/test的train来源拒绝。近重复采用128-bit dHash≤2且NCC≥0.995，仍不是穷尽物理场景身份的证明。

658份经资格审计剩347候选/49分量，逐页视觉研究筛选批准229，隔离118。自动拒绝原因可重叠：Class14长短面歧义39、相邻bbox交上下文78、遮挡/深度/观察歧义53、未知/边沿结构282、未知/窄观察面234、全局连到val/test 3。不能相加当distinct拒绝数。视觉筛选是助手研究资格过滤，不是人工GT确认。

### 3.1 冻结train/dev组成

| 类别 | train张/分量 | dev张/分量 | 解读 |
|---|---:|---:|---|
| 2 | 10/1 | 0/0 | 无开发覆盖 |
| 3 | 2/2 | 15/1 | 训练少、开发单组 |
| 6 | 3/1 | 0/0 | 无跨组开发证据 |
| 8 | 52/2 | 0/0 | 占train37.7%，无dev检验 |
| 9 | 3/3 | 1/1 | 双开口开发只有此1张 |
| 11 | 4/1 | 12/1 | 训练/开发均高度单组 |
| 12 | 2/1 | 0/0 | 无开发覆盖 |
| 17 | 3/2 | 37/1 | 高开发权重、低训练量 |
| 18 | 18/1 | 0/0 | 无开发覆盖 |
| 20 | 1/1 | 26/1 | 高开发权重、仅1份训练 |
| 21 | 40/1 | 0/0 | 近1/3 train来自同分量 |

其它1/4/5/7/10/13/14/15/16/19/22在两侧皆0，不能宣称22类泛化。train单长开口83/双开口55；dev为90/1。没有四点简单面、斜视或Class14困难语义的有效比较。train分量最大40张，dev分量大小37/26/15/12/1；按图像权重计算Kish支持数分别约5.57/3.43（只是权重集中度，不是新增独立样本数）。按component hash划分没有用模型分数，合法但**没有兼顾类/结构覆盖**；不能事后移动难组修漂亮成绩，应在新数据版预先声明组约束和目标域。

### 3.2 输入来源与强度差异

- 原生640×480与352×264数量：train85/53，dev90/1。12种train policy与5种dev policy覆盖不一致，Class9单张代表dev唯一352×264来源。
- ROI图像均值的中位：train149.12、dev107.19；ROI标准差中位56.22/46.53。原框高中位30.39/45.74px，ROI中位221×45/235×66px。是实测分布差异，但类别/场景/尺寸混杂，**不能认定sensor单独导致降分**。
- 当前都使用原灰度复制3通道、除255再ImageNet mean/std；没有从新图学习灰度分位归一、光照增强或sensor平衡。复制通道后分别按RGB统计归一会产生不同通道数值，属于既定预训练接口，不是有3种传感信号。

详见`composition.json`、`input_intensity.json`。采样权重可在新协议中用class/group/policy做离线平衡，但这些字段绝不成为网络数值特征；推理归一也应只依据图像像素，不能读取目标人工字段。

## 4. 实际模型、预训练、损失与优化

### 4.1 公平比较边界

两条路线共享229份来源和原框context，但**不是只变架构的公平单因素消融**：预训练任务、输入画布、mask监督格点、模型容量、梯度步数、EMA和选模指标均不同。M2是“RF-DETR-Seg Small＋本项目padding-aware matcher/dense-loss adapter”，**不是纯官方默认训练**；不得将此结果泛化成官方RF-DETR不行。M1在这个开发分母上更好，不等于对全部658目标或22类的独立排名。

通用权重已封存：

- M1 `resnet18-f37072fd.pth`，官方ImageNet1K V1；SHA256 `f37072fd47e89c5e827621c5baffa7500819f7896bbacec160b1a16c560e07ec`。
- M2官方`rf-detr-seg-small.pt`（URL资产`rf-detr-seg-s-ft.pth`），SHA256 `6de3da31b2572cac214a1c76cce4a92a13966d56390ac2b3a3de9a8dc2b2bca3`，已核对公开MD5。
- **禁止复用旧47叉取面checkpoint**：旧训练与当前val/test存在已证实帧/组重叠。通用预训练也不能等价于本任务独立泛化保证，来源与部署许可仍需独立审查。

### 4.2 ROI与分辨率

`context_roi`只从原bbox确定：左右各6%框宽，上下各22%框高，取整/裁边；不是人工多边形bbox。已知邻框与ROI相交整份拒绝；未知未框面仍可能被当背景。更稳妥的新版本应对已知未完整标注邻物设ignore或独立语义隔离，不能直接补成背景。

- M1等比例letterbox到512×160，最近邻label、padding loss=0。ResNet18编码器到/32，**但带raw/full-resolution skip，解码输出是全分辨率，不能误称输出stride32**。
- M2预先letterbox到576×576；实测mask head144×144（有效stride4），P4 projector、DINOv2 windowed small、patch12、num_windows2。有效图像面积中位仅train20.49%/dev27.95%，大量padding虽不参与mask损失，仍占前向计算/位置/窗口上下文。M1有效比例65.63%/89.38%。
- M2典型native→input放大约2.45倍，因此mask-head一个格点约1.63原生像素；极薄梁/小凹口可能低于一个格点。上采样不会恢复原生图不存在的信息，不能只比较“576大于512”。窗口/位置与padding分布的影响**待对照**，不能由配置直接判定注意力坏了。

### 4.3 M1损失与优化：辅助头不等于mask已受边界约束

`masked_segmentation_loss`为mask BCE＋Dice＋0.25×boundary BCE（positive weight4）。boundary是**letterbox后mask的单侧1格点腐蚀差**，不是原生1像素语义边；不同缩放下代表的原生厚度不一致。推理只使用mask头，boundary logits未参与输出或质量门禁。边界辅助只能通过共享特征间接影响mask，尚无mask-only消融或共享梯度冲突证据，不能预认定辅助头有效。

AdamW encoder3e−5/其余3e−4，WD1e−4，物理batch8，clip5；冻结预训练BN运行统计，但**编码器权重没有冻结**。无随机增强、无LR调度；seed42，max80/patience15/min_delta0.001。50轮约900次优化更新；M2不是同等更新预算。

### 4.4 M2 adapter必须单独审计

当前保留上游检测/分类/box损失、group-DETR、EMA及AP选模；修改两处：

1. `_compute_mask_costs`在整幅方图随机采点，用每目标pixel_valid屏蔽padding；但有效采样数量受20–28%有效区域限制，仍有随机匹配成本方差。应测试从valid内等量采样的等价成本，不是靠加背景点。
2. `loss_masks`改为匹配query的**稠密mask-head BCE/Dice**：target和valid直接nearest下采样到144×144，替代上游uncertainty point sampling。这不仅是“ignore修复”，也改变监督分辨率、边界位置和优化目标。

已存在测试覆盖padding梯度/损失不变性、匹配cost、query batch顺序及`Subset.__getitems__`不绕过pixel_valid。训练正确完成、native RLE逐像素一致，不支持“adapter根本没跑”的说法；但这些单测不证明坐标中心、所有aux/group query、AMP数值或小细节正确。

下一轮优先补合同：多个batch含0/1/多实例、非连续query索引、aux/enc输出、13组训练query，dense-vs-factorized logits/梯度一致；padding全改值不改valid内损失；零匹配仍连接spatial/query/bias；mask BCE/Dice/匹配cost在FP32累加，对比FP32与BF16；nearest vs nearest-exact/面积覆盖与`align_corners=False`中心一致性。不要为了修一个风险同时改query数/架构/损失多项。

优化为AdamW lr1e−4/encoder1e−5，WD1e−4、batch2×accum4＝effective8，clip0.1、EMA0.993/tau100、无warmup、step调度。日志58轮主lr仍1e−4，实际上未进入有效衰减；约1,044 optimizer steps。训练13组query对应cardinality_error≈12不等于推理漏检12个目标（dev后期该项为0）。不要跨M1/M2直接比较总loss绝对值。

## 5. 训练曲线：确实学习，但继续原样加轮数不优先

![训练曲线](../outputs/pallet_mask_model_training_diagnosis_v1/training_curves.png)

| M1 epoch | train总loss | dev原生IoU中位 @0.5 |
|---|---:|---:|
| 1 | 1.1357 | 0.84968 |
| 20 | 0.2507 | 0.89470 |
| 35（保存最佳） | 0.1242 | 0.89988 |
| 50 | 0.0706 | 0.87226 |

M1损失持续下降而dev后期退化，支持有限组数据上的过拟合/开发不稳定；尚未对train计算同口径native质量，不能仅凭loss量化train/dev准确率差。保存最佳35而非last是合理的；0.001改善容差意味着不必是每个微小浮动的最大值。最终0.901219是最佳checkpoint再在dev有限搜索得到mask阈值0.55后的成绩，不是epoch35@0.5的同一个数。

M2 train总loss22.83→1.88，val loss19.83→10.25；末轮mask CE train0.0081/dev0.2373、Dice0.00695/0.07144。开发loss在较早阶段较低，后期训练loss继续下降而dev mask AP平台，支持过拟合/泛化差距，不是训练未启动。日志最大EMA mask AP在第44轮0.70213；最佳文件metadata为EMA、global_step792，与44轮对应。末轮box AP0.94256、mask AP0.70139，说明定位/分类饱和并不代表精细轮廓合格。early-stop的0.001改善容差与checkpoint逐次保存策略可产生一轮差，不应误报日志损坏。

## 6. 原生质量、分层与组bootstrap

以下以原run冻结分数为准，均为formal-train内部开发，不是盲测：

| 方法 | 全预测 | IoU中位/P10 | HD95中位px | 1px F1中位 | IoU≥.90 | IoU≥.95 | HD95逐图超限 |
|---|---:|---|---:|---:|---:|---:|---:|
| M1 | 91，空0 | .901219/.811530 | 2.10623 | .867959 | 46/91 | 0/91 | 28/91 |
| M2 retry1 | 91，空0 | .822657/.786346 | 3.00000 | .514842 | 8/91 | 0/91 | 15/91 |

逐图HD95限为`max(2px, bbox_height×0.10)`；不能用中位HD95代替所有样本过限检查。M2的HD95超限数较少不表示总体边界更好：Class20处M1严重局部/脚底错误更多，M2则有更广泛约1–2px位移，F1因严格1px容差明显下降；两个统计关注不同误差。

| 类/唯一dev分量 | n | M1 IoU中位 | M2 IoU中位 | M1/M2 HD95中位 |
|---|---:|---:|---:|---|
| C3 | 15 | .89070 | .82953 | 3 / 3 |
| C9 | 1 | .60255 | .72745 | 13 / 2 |
| C11 | 12 | .91204 | .90248 | 2 / 2 |
| C17 | 37 | .91343 | .82495 | 2 / 3 |
| C20 | 26 | .82890 | .79787 | 5.635 / 3.240 |

M1 bbox<32px组27张IoU中位.82884、HD95中位6px、27张全部HD95超限；但其中26张来自同一C20分量，**尺寸效应与组/类混杂**。唯一双开口C9是M1最差，不能据一张断言结构泛化能力。遮挡/反射没有独立可信逐图语义标签，当前不伪造分层；应在新授权审计中补充，保留unknown。

本次5000次按5个全局分量整组重采样（组内全部图保留），得到开发IoU中位95%区间：M1 **[.83246,.91343]**；M2 **[.80323,.89344]**；配对两者中位差 **[.00871,.09094]**。与原500次bootstrap同量级。只有5个cluster，类/组混杂且早停/阈值已看dev，这不是无偏泛化区间或模型优越性证明；不能改用91图独立bootstrap制造窄区间。

## 7. 代表图与空间误差：已证实什么，尚不能证明什么

![原生ROI、冻结人工参考、概率与硬mask](../outputs/pallet_mask_model_training_diagnosis_v1/representative_native_comparisons.png)

每行从左到右：原生ROI、冻结人工mask边界、M1概率/M1硬mask错误、M2概率/M2硬mask错误。红=模型多出，青=模型漏掉，绿=冻结参考。图像放大仅供观察，误差在原生像素统计。代表例依据既有冻结dev失败类型确定，**不是按目标标签选模型/query、发布新标签或修改训练集合**；另存7份小型npz供复核，不复制全数据。

- C9 `7091a9bcbf2d003a74babff7`：M1 IoU.603/HD9513，在开口内产生多个前景孤岛/强度边缘误包含；M2 .727/HD952，不是完全没识别，但薄上梁与结构仍不准。原生图存在平行层线，支持研究语义/强边歧义，不能据图确认正确选面。
- C20 `16b1ca7981021e64af782b2b`：M2 .693/HD9516，开口底部杂散前景；M1 .849/HD954，脚底/上缘也有缺失。
- C20 `a251c49cf6923693ff0151e0`：M1 confidence .977但IoU仅.780、HD957；强置信度不能排除脚底削短/整体边缘内缩。
- C17 `c280b56fa6e4d366e861ffdd`：M1 .926 vs M2 .804，M2上缘漏、下缘多，呈纵向偏移；不是简单“所有孔口都填满”。
- C17 `7effe236397e57b54cff8be8`：M1较差边界F1例；C11 `96291a253e7554b29054803f`为高分对照，M1最好也仅约.940，仍未达.95。
- `8044edaa50feb7b2b4dde14d`保留冻结旧参考展示，明确此后有合法人工修订，没有将模型重算为“对最新GT”的成绩。

### 7.1 CPU空间复算（描述性代理，不冒充语义部件标签）

在prediction/reference共同有前景的每列比较最上/最下像素，dy正表示向下。每张先取中位，再跨张统计：

| 指标 | M1 | M2 |
|---|---:|---:|
| 面积比中位 pred/reference | .9470 | .9873 |
| 上包络dy中位 | +1px | +1px |
| 上包络向下/向上/零的张数 | 55/11/25 | 79/0/12 |
| 下包络dy中位 | 0px | +1px |
| 下包络向下/向上/零的张数 | 15/5/71 | 86/0/5 |
| 参考边最近预测边平均abs(dx)的跨图中位 | .273px | .342px |
| 同上abs(dy) | .507px | 1.200px |
| 参考前景EDT≤2px区域召回中位 | .737 | .626 |
| 8连通分量/闭孔计数不一致 | 42/91 | 12/91 |

这些证实纵向定位和近边细区域误差；EDT≤2也含普通厚区域边界，并不是已确认“薄梁召回”。包络下缘含开口内缘，不能直接称为脚底语义误差。拓扑统计对1像素孤岛/孔敏感（M1 41张分量数不同、2张孔数不同；M2 11/2），不等于42/12张都发生了严重语义拓扑错误，也不授权自动去岛/填孔。闭孔真值没有额外标注时不能伪造。

CPU相对原GPU分数最大逐图IoU差M1约0.000405、M2约0.003050；M1中位完全一致，M2 CPU中位.822820而封存GPU为.822657。由数值/阈值边缘像素差异产生，重放另存不覆盖权威结果。M2概率图来自最高分类score query原始logits上采样后sigmoid；发布硬mask则先由上游在576方图二值化，再unletterbox和二次阈值，二者像素并非等价（逐图差中位43、最大107像素），**当前代码变量名`probability`实际承载的是插值后的硬mask，不是真概率**。应验证全程float32概率/原生一次阈值路线，但本次未用GT重新选阈值。

### 7.2 重采样审计：强疑点，不是已证明的性能上限

固定操作`native参考→nearest letterbox→可选nearest到144格点→bilinear回映射→固定0.5`，不训练、不选模：

| 操作 | train IoU中位/P10 | dev IoU中位/P10 |
|---|---|---|
| M1 full label roundtrip | 1.000/.96745 | 1.000/.99973 |
| M2 full label roundtrip | 1.000/.97907 | 1.000/1.000 |
| M2 dense监督144格点roundtrip | .86033/.78046 | .91646/.87159 |

因此并非“等比例letterbox本身把所有标签损坏”；**额外nearest到1/4格点造成显著量化/对齐损失**，值得优先对照中心对齐/软覆盖/有效点采样。上述不是模型准确率上限：网络可通过上下文/连续logits学习亚格点边界，也可能更差；不能声称修这个算子必然恢复.95。实际M2约+1px纵移的成因，还可能包括归一/窗口上下文、损失权重或训练分布，需要单因素实验区分。

## 8. 为什么gate全拒绝：安全结果与设计欠缺分别列出

`pilot_goal`/`quality_report`（`mask_model_training.py:228–268`）要求≥10分量、IoU中位≥.95、≥90% IoU≥.90、所有接受样本HD95逐图过限；只扫confidence `[0,.5,.7,.8,.9,.95]`。

**实际阻断：**

- 91图只有5分量：样本量设计和验收设计不匹配，必然blocked，这是协议可达性问题；正确做法是在新数据版扩充组数或将此阶段命名为探索性开发，不是把n改成5。
- 所有图中IoU≥.95为0：无论怎样提高confidence阈值，非空集合中位仍<.95。不是仅缺组数；当前0交付有实质质量依据。
- cutoff .95时M1仍接90图（4分量），IoU中位.90168、46/90≥.90、27张HD95超限；M2接66图（4分量），中位.82960、8/66≥.90、2张HD95超限。其它低阈值几乎不过滤。

**设计欠缺但不是“放宽就能成功”：**

1. confidence未校准：M1前景均值会忽略漏掉区域，缩小到自信核心反而可能得高分；M2query classification可高但边缘错。M1负相关有class/group混杂，不作独立样本显著性推断。
2. 同5组dev用于早停、mask阈值、confidence校准；阈值有限搜索减少但不消除乐观偏差。未来需group-held-out calibration/OOF，不能从正式val/test找更好阈值。
3. 当前是整个接受集合的事后数值目标，不是可靠的逐图边界风险模型；未显式实现错面/错层/语义拓扑门禁、图像证据与mask冲突拒绝。即使数值达到也只允许研究人工试运行。
4. 训练/开发类别分布TV距离达.9165，confidence分布也会受域影响。不能在这5个组拟合一个复杂质量网络后声称通用。

建议将报告状态分解成`insufficient_group_support`、`native_quality_failed`、`uncalibrated_quality_score`、`semantic_trial_pending`，保留旧报告不改。部署可用质量特征只来自图像/预测，如边缘支持、熵、预测自身拓扑和合法微扰稳定性；人工多边形/选面/IDs/group/标尺/GT不能成为推理特征。组数足够后在分组校准侧评估risk–coverage曲线及下置信界，不能直接把mask概率温度缩放等同于轮廓质量校准。

![confidence与IoU](../outputs/pallet_mask_model_training_diagnosis_v1/confidence_vs_native_iou.png)

## 9. 下一轮最小可执行矩阵（待独立授权，不在本次执行）

### 9.1 先做不依赖“换大模型”的准备

**D0：独立冻结新数据版。** 从正式train侧重新资格审计，绑定每个真实人工保存事件和revision；保留旧229及本轮模型/分数不动。3个修订和10/9/7追加只有在单独版本授权、语义/来源/防泄漏资格复核后才可能作mask监督，**不能自动追加**。新增轮廓不作数值输入。Class14先解决实际长短面；相邻面/后排/遮挡不清单独quarantine，未标闭孔不补造。

**D1：按组而非图片数补覆盖。** 优先C20、C17、C3、双开口与不同图像来源/分辨率的独立组；不是给同组再补几十帧。数据允许时训练/开发/校准分开，开发/校准至少覆盖≥10个隔离分量并确保目标域各结构有多组。稀有单组类报告无法独立估计，不跨组泄漏凑覆盖；21个现有分量不足以同时支撑丰富train与强开发/校准，应新增采集组。小数据过渡可用预先冻结group-fold OOF，但本次已看组都仍属开发；全局近重复/跨formal split审计重新运行。

**D2：adapter与度量合同。** 固定CPU小样例、合成薄条/斜边/内凹/有无padding的坐标roundtrip；输出每次resize中心、dtype、query索引、valid计数、所有aux mask梯度合同。只用train内部做技术验证；先排除已发现的量化/二次阈值问题，再比模型。不修改旧发布。

### 9.2 单因素、阶段式矩阵，不做全排列

以下统一新冻结数据、同组划分、通用起点、seed42、原生评估；每轮只改表中因素。先跑A0–A3和B0–B1，再按预定规则最多选两项进入A4/A5，最终候选才补seed43/44。建议每短筛最多约900–1,100 optimizer updates（接近既有量级），保存best/last和必要EMA，不以epoch数假装同预算；对比曲线同时报告实际步数/样本曝光/时间。短筛不是最终成绩。

| 顺序 | 对照 | 固定与唯一变化 | 可执行起始参数（待检验） | 判断证据 |
|---|---|---|---|---|
| A0 | M1复现锚点 | 保持当前两头/输入/优化 | batch8，encoder3e−5/decoder3e−4，WD1e−4，BCE+Dice+0.25edge | 新数据版基础可复现；不混用旧dev分数 |
| A1 | 组/类平衡采样 | 只变sampler，不变模型输入 | 先均匀抽component再抽图；类权重用`1/sqrt(n_class)`并cap≤3，另测单独组均衡，避免同时强过采样稀有1图 | macro-group/class、P10、C20；采样元数据仅离线不入tensor |
| A2 | mask-only vs辅助边界 | 相同初始化、增强/预算，移除edge项 | edge权重0 vs当前.25；之后才单独试.1 | native上缘/内角/脚底、FP岛、mask/edge共享梯度范数和cosine |
| A3 | 编码器冻结＋弱增强 | 分为freeze-only和augmentation-only，不叠加归因 | encoder先冻结5epoch后1e−5，decoder1e−4–3e−4；弱增强候选gain .85–1.15、gamma .8–1.2、噪声σ0–3/255、blurσ0–.5、框中心±2%宽/±5%高、scale .95–1.05 | 跨policy/组差、框偏差曲线；训练重算mask/valid，不能截断GT后隐瞒 |
| B0 | M2当前adapter锚点 | 576、相同上游EMA/query设置 | batch2×accum4；lr1e−4/1e−5，mask CE/Dice各5 | 原生指标与mask AP同时记录，不以box AP选精边 |
| B1 | M2 padding-aware point loss | 相同架构/匹配/优化，仅替换dense nearest监督 | valid内固定数量采点（起始2,048点/匹配，含不确定点＋均匀点，边界采样后续单独比较），FP32 BCE/Dice归一 | 与B0比较native纵移、薄边、grad/dtype；不是无ignore官方默认的偷换 |
| B2（B1后） | M2目标格点/回映射 | 各自独立比较中心对齐软覆盖监督、logits/prob一次原生阈值 | 固定mask阈值.5先对比；禁止逐目标GT选query或平移补偿 | 减少系统偏移且不牺牲凹口/拓扑；只在开发侧冻结全局规则 |
| A4（按短筛结果） | image-only ROI强度/上下文 | 分开试强度归一、上下文，不同因素不合包 | valid ROI P1/P99裁剪归一（min range16，统一fallback）vs原/255；context x6%/y22% vs x10%/y35%，都仅原bbox推导 | policy分层与边界；防过度归一放大噪声/更宽context引入邻面 |
| A5（最后） | 薄结构/分辨率与mask边界loss | 先分辨率，再mask梯度路线 | M1 512×160 vs768×240、同等有效batch；mask-derived signed-distance/边界项λ.1 vs辅助头，不同时堆多个loss；可试保持/2低层特征decoder | 原生上/下/内凹误差、薄区召回、显存与时间；放大不冒充新增信息 |

补充约束：

- B1不要把padding忽略取消来追所谓默认公平；若做官方mask loss对照，也应保持同样valid内采点和监督范围，明确与官方原版差异。适配正确后才考虑mask_downsample_ratio2或提高输入尺寸，先profile，不一次改backbone/window/query数。
- M1有raw full-resolution skip，先证实其收益是否被损失/数据限制，不盲目更换大backbone。M2的window padding疑点需要相同有效像素尺度、位置/上下文控制实验，不用结果图推断attention机制。
- LR方案可在上述因素筛完后单独比较：3epoch warmup＋cosine降到起始LR的0.1；不要原样延长80→200轮。encoder freeze、LR与增强不能全部同时改变后归因于某一项。
- 无关键点映射前不作上下翻转/强透视/剪切；mask-only水平翻转也先核实观察面语义，关闭是安全锚点。crop jitter来自原bbox，不用人工多边形挑crop；GT仅检查监督被截断时拒绝/标记实验有效性，不参与部署ROI。
- 每个新配置保留全预测分布、拒绝原因和组分层；不得在开发图上逐目标挑A/B最优。试验数量与选择规则先冻结，避免开放式反复挑选。

### 9.3 关键点与混合路线

当前K语义未齐：4–16点不对应统一物理角，不能把“第i个polygon顶点”当第i关键点，也不能给四点补造孔口。先单独建立结构族映射版本：上梁左右外角、左右脚外底角、明确存在的内角/中脚角；每角分开记录存在性/可见性/未知，缺失或未知loss mask排除，不填(0,0)或推测遮挡坐标。左右翻转必须有明确语义交换，映射不改原轮廓或其资格。

K1可用热图或SimCC式分布＋存在/可见性，报告PCK@1/2px、每语义角误差与最终mask IoU/HD95/F1。推理结构族/点数必须来自图像预测，不读取人工选面、GT顶点数、ID或group。先比较独立K1与最佳mask，再做固定规则H1：mask给区域/凹口，角点约束折线，原生边缘提供证据；不一致即拒绝，保留原概率mask与候选多边形，不用凸包/矩形/强平滑填掉凹口，也不逐图用GT择优融合。

## 10. 评估、校准与放行次序

1. 新模型选择目标预先声明：native IoU/P10、HD95、1px边界F1、macro-group优先于整图AP；同时保留AP避免只对一个数过拟合。新增上梁/脚底/内角**真实语义**审计后再报告对应误差、漏检和角偏差；当前包络/EDT代理不能替代。
2. 开发/校准严格按全局隔离分量划分；class、结构、policy、原生尺寸、遮挡/反射unknown分层，报告每格组数。bootstrap整组抽样，并报告按图/按组两种权重，不把近重复当独立。
3. 模型/后处理/阈值冻结后才按原协议考虑formal val/test；**formal val/test不回流train，已看test不可选模**。想要新盲测必须新采未参与训练/调参/人工诊断的组；当前这5组、旧658 OOF及本报告已看图均是开发材料。
4. 质量目标维持≥10个有效独立组、IoU中位≥.95、≥90%≥.90、HD95逐图限和错面/错层排除；接受/拒绝率分母为所有目标，空集质量null。增加校准不等于降低门槛，对有风险者拒绝而非移出分母。
5. 达到内部条件后，另行授权10–15张预先确定类型的**未完成新目标**人工试运行，逐项记录修改率、顶点位移/增删、重画/撤销、实际用时、拒绝原因；不重派已完成/删除/暂缓/确认/隔离/历史改绘或拒绝目标凑分母。前10/9/7人工补样不是模型试运行成绩，不自动授予训练/GT/机器人资格。
6. 不启动伪标签自训练，不对外发布本次诊断mask为标签，不改变原图库/服务。性能提升不作保证；任何重训、数据新版本采用、生产试运行均需独立确认。

## 附：产物与复核入口

目录 `outputs/pallet_mask_model_training_diagnosis_v1/`：

- `READ_ONLY_RECEIPT.json`：冻结manifest/两个v2审计/最终handoff/v5审计哈希、694文件校验、CPU-only与不写生产声明。
- `composition.json`、`input_intensity.json`：实际train/dev分布、letterbox有效率与像素强度统计。
- `curves.json`、`training_curves.png`：50/58轮实际曲线摘要。
- `gate_and_strata.json`、`confidence_vs_native_iou.png`：逐条件阻断、类别/组/policy/尺寸分层、5000次配对组bootstrap。
- `native_spatial_replay.json`、`native_spatial_summary.json`：182份CPU预测指标/空间代理，明确保留GPU权威分数；`representative_examples.json`和`examples/*.npz`仅7张小型诊断对照。
- `resampling_stress.json`：固定resampling算子压力测试，不是GT或性能上限。
- `human_revision_comparison.png`、`input_and_revision_binding.json`：3份真实修订可视化与v5 catalog绑定，不作最新GT重评分。
- `analyze.py`、`resampling_audit.py`、`input_and_revision_audit.py`：新目录内的复算代码，无训练入口；`analysis_first_attempt.log`保留首次过严CPU/GPU逐像素相等断言失败（非训练失败），后续按实际差异独立记录而非覆盖旧实验。

**本报告无生产写入；最终结论仍是两模型已完成研究训练、当前不达交付目标，应先修证据与实验设计，再在独立确认后执行受控对照。**
