LAB 10 · 从 RGB 图像训练小型检测器

已完成基准：分数高，哪里仍会错

主线阅读与优先实验

RGB图像、单特征层锚框检测器、分类/位置损失、NMS、独立检测评价

已完成基准：分数高，哪里仍会错

本地 CPU 完整运行开始于 2026-09-22T16:28:18.578466+00:00，PyTorch 2.14.0+cpu；源码 SHA-256 为 6fe8ef2b4e80cc880f8df1f17333506aede144441d41672a6329b4bebe514f5e。28 epoch 训练总损失从 .80512 降到 .00589；以下是该脚本的保留集结果，而非训练准确率。

AP50 和 AP75 差约 .269，说明“找到附近的同类物体”和“框很精确”不是同一个成功标准。随机模型在 .4 工作点没有输出；它的低阈值候选偶然覆盖一些物体，所以低工作点的召回不代表已经学会检测。训练模型对 33 张空图在 .4 工作点均未报目标，这是本次合成背景范围内的观察。

最差几何重合示例 35、15、51、24、118 按“每个真值与预测框的最大 IoU 再平均”选出，这个选图指标不考虑类别，不能替代正式 AP。35 号图的两个红矩形相邻，部分预测框覆盖了两者之间的区域；类别正确、数量看似正确，面积仍分配错。15 号图中高分蓝框偏向红物体的区域，说明 confidence 不是定位保证。空图 12 作为参照保留。

缩小对象后，固定 .4 工作点的 precision 仍高而 recall 只有 .5：模型主要漏掉小物体，不能只报 precision 宣称鲁棒。放宽 NMS 到 .65 的意义也不同：同一批 logits 没变，但更多少删的重复框被留下；TP 增至全部 296，FP 从 18 增至 410，precision 因而显著下降。AP50 略降而 AP75 略升并不矛盾：更宽松的候选集合也可能保留一个定位更准但分数稍低的框。

下一步只改锚框最小尺寸或增加更细特征层，先写下预期会改善哪一种漏检，再重新训练并保留旧 run；不要同时改尺度、学习率、阈值后把变化都归因于锚框。若把图中的颜色交换而语义标签仍按形状给，当前训练协议并没有支持这类泛化结论。