# 最新托盘位姿标注重训与batch/时长对照 v4

## 授权及数据版本

用户要求按最新位姿标注更新数据并重训此前八模型，再选两个加大batch、延长训练，观察精度变化。
本轮独立输出到 `outputs/pallet_pose_benchmark_v4/`；不改旧实验、旧交付、在线人工库和活动机器侧车。

2026-10-20 16:49:33 UTC以SQLite在线备份API冻结2,300个保存目标及4,367条事件。
2,290条可重算标尺位姿的记录作为**已获研究授权、非盲的人工草稿**，10条隔离。
所有UI人工确认/轴向确认字段原样保存，不把授权自动转换成正式GT或设备标定。

|分支|原train|原val|原test|
|---|---:|---:|---:|
|metric|1,209|450|574|
|native_unknown|30|14|13|

原始划分不变，只有原train参与拟合、选模和早停。
metric按采集组三折；未知单位train只有2个采集组，采用两组留一验证，仅作探索。

先前核查并获用户米制确认的823个目标在新研究标签里记录 `scale_to_m=1.0`，数值坐标不变，
保留原sensor及原branch字段，单位来源明确为用户确认。其余未确认目标不猜单位；240×96不重分类。
这不代表已校准坐标轴、完整旋转或机器人外参。原始注册表、源PCD、在线记录均不改写。

## 输入与官方模型

八类官方代码/权重沿用v3固定提交和哈希：Utonia、LitePT、Concerto、Sonata、PTv3、PointNeXt、Point-MAE、DGCNN。
`protocol.json`记录上游提交、五份官方预训练权重及本轮折分。

网络只读原框内点云与自动特征，不读人工多边形、选面、标尺、GT、目标ID或采集组ID。
人工选面完整点索引仅作为标签证据独立保存。512点、3个确定性点序变体；端到端分支额外加入
0.003个自动参考宽度的坐标扰动。五个预训练编码器冻结、训练位姿头；其余三模型端到端训练。
所有模型使用完整原框ROI；自动平面失败时用ROI中位数/源前向作回退参考。纯几何与几何＋回退分开报告。

从未知单位改为米会改变自动分面阈值，因此823个目标必须重提取输入；即使数值倍率是1，也不直接复用旧未知单位缓存。
未改单位的旧输入在哈希/尺度一致时允许复用；新标签永远来自本轮冻结快照。
最早的预处理试跑已归档到 `outputs/pallet_pose_benchmark_v4_aborted_legacy_unit_features/`，不进入本轮排名。

## 训练及对照

1. 八模型、两个单位分支统一以batch32训练80轮，种子42。
2. **只按metric原train分组CV**选出两个模型；再补种子142/242。
3. 每折/每种子从完全相同的epoch80末尾模型、AdamW状态、NumPy及CPU/CUDA随机状态分别续训：

   |配方|batch上限|总轮数|目的|
   |---|---:|---:|---|
   |base|32|80|基线|
   |long_b32|32|240|仅增加时长|
   |long_b64|64|240|大batch＋相同轮数|
   |long_b64_steps|64|400|近似匹配long_b32新增优化器步数|

4. 学习率继续使用骨干0.0001/头0.001，AdamW、weight decay 0.005，不根据test调参。
5. 继续训练的最佳权重允许保留base阶段最佳epoch，同时另报真正末轮结果，避免仅用“挑过的最佳值”声称改善。
6. 跨种子均值及采集组配对bootstrap区间只描述本次选模后的不确定性，不作为独立显著性证明。
7. 所有模型、配方和重拟合轮数先写入 `selection_frozen.json`，再拟合全部原train并复测原val/test。

batch是上限，为避免BatchNorm单例将每轮样本均分成若干批；不丢样本。
小样本未知单位分支单折样本数小于32，配置batch64不会增加实际每步样本数，
不能把该分支的变化解释为“大batch收益”。真实每步样本数、优化器步数、耗时和曲线均保留。

只调度两块非3090显卡：

- `GPU-3315c096-fef4-7350-483a-7c5f5ca2b619`
- `GPU-09ed84c8-4dee-efc0-dc1d-deda5177e4e8`

## 运行与恢复

**存储精简说明（2026-10-26）：** 用户后续授权只保留各模型最佳权重并释放其它训练权重。
具体保留路径、清理结果与能力变化见 [v4检查点精简](pallet_pose_v4_checkpoint_cleanup.md)。
下面的末轮/RNG续训描述是原实验流程；若该次清理已完成，就不能再依赖删除的last.pt恢复原训练状态。
原完整部署目录和交付ZIP保留，旧完整trial检查点校验不再适用于精简后的训练工作目录。

```bash
OPENBLAS_NUM_THREADS=1 OMP_NUM_THREADS=2 .venv/bin/python -u scripts/run_pose_benchmark_v4.py --stage all
```

环境依赖及固定官方资源同v3，脚本显式设置隔离的依赖目录。
已存在训练时可加 `--wait-for-pipeline`，阻塞等待文件锁而不轮询。
阶段 `screen` 仅完成八模型初筛；`continue` 从既有初筛继续。
每10轮保存末尾/最佳权重、优化器和随机状态，可断点恢复；每条续训绑定父末尾checkpoint哈希。
GPU回归测试验证同batch中断恢复与不间断训练的模型、优化器更新数、随机状态及曲线逐值一致：

```bash
RUN_V4_GPU_TEST=1 CUDA_VISIBLE_DEVICES=GPU-3315c096-fef4-7350-483a-7c5f5ca2b619 \
  .venv/bin/python -m pytest tests/test_pose_benchmark_v4.py -q
```

## 交付与验收

- 结果：`outputs/pallet_pose_benchmark_v4/REPORT_zh.md`、`final_results.json`。
- 全八模型及两模型三种续训配方：`pallet_pose_models_v4.zip`，含固定官方代码、五份权重、研究脚本、曲线及报告。
- 最新标注及独立原框输入：`pallet_pose_annotations_v4.zip`，包含冻结记录、事件指纹、人工选点证据和原框特征，不复制原始PCD。
- `delivery_manifest.json`记录两个包的成员数、大小、SHA-256；全部成员解压字节哈希核验。
- `final_acceptance.json`核验20,768份保护文件、全部源PCD/图像、原人工事件、旧入口和包、训练划分、续训绑定及异目录解压GPU推理。
- 推理入口：`python -m pallet.pose_benchmark_v4_inference`，可用 `--family NAME --arm ARM` 明确选取实验模型。
- 推理接口保留训练域检查；离线外域复测有输出不等于包接口允许部署。报告另列域检查后的全分母通过数。

原test此前已看过，不能称全新盲测；非盲草稿成绩不等于独立实测精度或叉取成功率。
新旧数据量、单位解释及点序配方不同，不能将v3/v4差值归因于batch。
不覆盖线上机器建议；未知高度/完整旋转/外参保持空值，全部输出 `robot_command_eligible=false`。
