🦺 Factory PPE 19-attr — v20260427 報告

partial-label BCE / 19 binary heads / per-attr mask（unknown→mask=0 不算 loss/metric）
資料：cvat2 project 5（6 sources, 106,958 person crops）+ CPPE-5（1,444 person crops via YOLO mapping）= 108,402 total。 2026-04-26 過夜訓練。

🏆 推薦 deploy

val_mAP

0.7729

test_mAP

0.979*

params

4.2M

train time

19min

v20260427_mobilenetv3l_cppe5 — 6 個版本中 三冠王（最高 val_mAP + 最少 params + 最快訓練）

checkpoint: 5090-2:~/factory_ppe/runs/factory_ppe_v20260427_mobilenetv3l_cppe5/best.pt

* test_mAP 只反映 raicvat_p2 part07，跨 source generalization 沒被測（見已知議題）。

6 版本完整對照

version	backbone	data	val_mAP	test_mAP	macro_f1	params	epochs	time
v20260426_mobilenetv3l	MobileNetV3-L	base 6src	0.6655	0.9850	0.9532	4.2M	21 (best=13)	22 min
v20260426_efficientnetb0	EfficientNet-B0	base 6src	0.6512	0.9830	0.9611	4.0M	33 (best=25)	37 min
v20260426_convnexttiny	ConvNeXt-Tiny	base 6src	0.6974	0.9880	0.9605	27.9M	22 (best=16)	68 min
v20260427_efficientnetb0_cppe5	EfficientNet-B0	+CPPE-5	0.7640	0.9829	0.9537	4.0M	17 (best=9)	19 min
v20260427_convnexttiny_cppe5	ConvNeXt-Tiny	+CPPE-5	0.7602	0.9805	0.9421	27.9M	11 (best=5)	35 min
v20260427_mobilenetv3l_cppe5 ⭐	MobileNetV3-L	+CPPE-5	0.7729	0.9788	0.9480	4.2M	18 (best=10)	19 min

觀察：CPPE-5 整合普遍提升 +6~10% val_mAP；MobileNetV3-L 在 CPPE-5 環境下意外超越 ConvNeXt-Tiny。

訓練曲線

虛線 = baseline (v20260426)、實線 = +CPPE-5 (v20260427)；顏色對應 backbone。

CPPE-5 補強效果（MobileNetV3-L v426 → v427）

Final epoch val_AP per attribute：

attribute	v426 (base)	v427 (+CPPE-5)	delta
hard_hat 安全帽	0.9698	0.9484	-0.0214
no_head_protection 無護頭	0.9974	0.9973	-0.0000
full_face_mask 全面罩	0.1773	0.4242	+0.2469
face_mask 口罩	0.0711	0.9192	+0.8481
no_gloves 無手套	0.9836	0.9840	+0.0004
cotton_gloves 棉手套	0.0000	0.0000	+0.0000
rubber_gloves 橡膠手套	0.0000	0.0000	+0.0000
no_protective_clothing 無防護衣	0.0000	0.0000	+0.0000
cleanroom_suit 無塵衣	1.0000	1.0000	+0.0000
splash_proof_gown 防潑罩袍	1.0000	1.0000	+0.0000
safety_vest 反光背心	0.9730	0.9603	-0.0127
safety_shoes 安全鞋	0.0000	0.0000	+0.0000
no_safety_shoes 無安全鞋	0.2157	0.1586	-0.0571
no_sleeves 無絕緣袖	0.0000	0.0000	+0.0000
heartbeat 生命徵象器	0.0000	0.0000	+0.0000
sleeves 絕緣袖	0.0000	0.0000	+0.0000
safety_glasses 護目鏡	0.6750	0.7219	+0.0468
hair_cover 髮帽	0.0000	0.0000	+0.0000
helmet_goggles 頭盔護目	0.0000	1.0000	+1.0000

關鍵突破：face_mask AP 從 0.07 → 0.92（+0.85）；helmet_goggles 從 0 → 1.00（+1.0）； full_face_mask 從 0.18 → 0.42（CPPE-5 沒直接補卻 transfer learning +0.25）。

Best Model Per-attribute Test Metrics

v20260427_mobilenetv3l_cppe5 在 test split (raicvat_p2 part07, 6459 samples)：

attribute	AP	F1	P	R	best_thr
hard_hat 安全帽	0.984	0.964	0.953	0.976	0.47
no_head_protection 無護頭	0.979	0.946	0.959	0.933	0.51
full_face_mask 全面罩	val 無 mask=1 sample（無法評估）
face_mask 口罩	val 無 mask=1 sample（無法評估）
no_gloves 無手套	val 無 mask=1 sample（無法評估）
cotton_gloves 棉手套	val 無 mask=1 sample（無法評估）
rubber_gloves 橡膠手套	val 無 mask=1 sample（無法評估）
no_protective_clothing 無防護衣	val 無 mask=1 sample（無法評估）
cleanroom_suit 無塵衣	val 無 mask=1 sample（無法評估）
splash_proof_gown 防潑罩袍	val 無 mask=1 sample（無法評估）
safety_vest 反光背心	0.973	0.934	0.935	0.933	0.58
safety_shoes 安全鞋	val 無 mask=1 sample（無法評估）
no_safety_shoes 無安全鞋	val 無 mask=1 sample（無法評估）
no_sleeves 無絕緣袖	val 無 mask=1 sample（無法評估）
heartbeat 生命徵象器	val 無 mask=1 sample（無法評估）
sleeves 絕緣袖	val 無 mask=1 sample（無法評估）
safety_glasses 護目鏡	val 無 mask=1 sample（無法評估）
hair_cover 髮帽	val 無 mask=1 sample（無法評估）
helmet_goggles 頭盔護目	val 無 mask=1 sample（無法評估）

已知議題：

9/19 attribute 在 test 沒 mask=1 sample（cotton/rubber_gloves, no_protective_clothing, safety_shoes, no_sleeves, heartbeat, sleeves, hair_cover）— test split 只有 raicvat_p2 part07，這 source 在 cvat2 schema 上沒標這些 attribute，所以無法評估。
Test 只有單 source — 跨 source generalization 沒被測。
稀缺 attribute 仍待補：cotton/rubber_gloves（沒任何 source 細分）、hair_cover（pos=37）、sleeves（pos=43）。

Inference 範例

用 5090-2:~/factory_ppe/scripts/infer_ppe_v427.py 對 GUANXI 商場路人 (task1639 frame 0 person 0) 預測：

# task1639_f000000_p0.jpg
attribute                 prob    pred
no_protective_clothing    0.9999  yes ←
no_gloves                 0.9996  yes ←
no_sleeves                0.9993  yes ←
no_safety_shoes           0.9991  yes ←
no_head_protection        0.9930  yes ←
hard_hat                  0.0078  no
safety_vest               0.0039  no
helmet_goggles            0.0003  no
... (其他 14 個 PPE positive 都是 no)

對「全裸路人」negative 預測完美，與 user 手動 review 結果一致。

下一步候選

整合 R2PPE (Zenodo, 10k imgs, CC-BY-NC) — 補 face_mask + splash_proof_gown + rubber_gloves + safety_glasses + full_face_mask；商用前需確認 NC 限制
整合 Cheese PPE (IEEE DataPort, 註冊後可下) — 唯一 hair_cover 來源
替換 ppe_service (5090-2 port 7862) 的 v20260415 (4-cls) 為 v20260427 m3l (19-cls)
重切 split 讓 val/test 包含多 source（需修 cvat subset 或例外處理）

Pipeline 重現

所有 script 在 5090-2:~/factory_ppe/scripts/：

export_p5_v3.py — cvat2 project 5 → manifest_v3.csv
cppe5_preprocess.py — CPPE-5 parquet → image + YOLO person + mapping
cppe5_to_crops.py — 合成 manifest_v4.csv（manifest_v3 + 1444 cppe5）
train_p9_attr_v4.py — 19-head BCE + per-attr mask 訓練
infer_ppe_v427.py — 單張 inference helper
plot_curves.py — 訓練曲線視覺化

報告生成時間：2026-04-26｜過夜自動訓練（/loop dynamic mode）
詳細 markdown：5090-2:~/factory_ppe/v20260427_complete.md