📦 模型下載https://pub-478929a98a5c440cb22c2241c0bde314.r2.dev/fire_smoke_v20260602b/best.pt

🔥 fire_smoke v20260602b

2026-06-03 · 5090-2 · MobileNetV3-L camaug+EMA · cvat #2 1304 task(含 IRODA 瓦斯區 + 吳濁流 + 社區新場域)

⭐ cvat #2 更新標記重訓,飯店誤報維持 0%

cvat #2 新增 IRODA 漏瓦斯/灌瓦斯/生產區、GREENIDEAS 吳濁流、民景企業/山柑社區/塭內等新場域。重訓後 val mAP 0.9812,飯店 negative test(t5230, 235 frame)smoke 0/235 / fire 0/235 = 誤報維持 0%(延續 v601c 的降誤報成果)。

0.9812
best val mAP (ep15)
0.974 / 0.983
val AP smoke / fire
0 / 0
飯店 t5230 smoke/fire 誤報
150k
manifest rows (1304 task)

📊 vs v601c / v602

版本val mAPsmoke APfire AP飯店 t5230 誤報資料
v601c(降誤報里程碑)0.98210.9750.9870%1269 task
v602b0.98120.9740.9830%1304 task(+IRODA瓦斯/吳濁流/社區)

整體跟 v601c 同級,多納入瓦斯區 + 社區等新場域(降這些場景未來誤報)。飯店降誤報成果保持。

⚙️ Hyperparams

backbone: mobilenetv3_large_100.ra_in1k, variant: camaug
訓練 imgsz: 224 / 推論 imgsz: 224(image classifier,無 cascade)
batch: 96, epochs: 25 (best ep15, patience 8), lr: 5e-4, wd: 0.05
mixup: 0.2, drop_rate: 0.3, ema: True
manifest: cvat #2 1304 task(acceptance/completed + 過濾 deleted;排除 52 個 validation-stage 未 accept task)
# 沿用 v527/v601c 設定,僅資料變動

🧮 分類算法:sigmoid 多標籤(非 softmax)

smoke / fire 是 2 個獨立的 binary head:輸出層 Linear(feat, 2) 後各自過 sigmoid,訓練用 BCEWithLogitsLoss不是 softmax

算法類別關係
sigmoid(本模型)多標籤、各類獨立、可同時成立smoke=0.10 與 fire=0.85 互不影響
softmax跨類競爭、機率加總=1、單選smoke vs fire 二選一

火災「有煙不一定有火、有火幾乎都有煙」是多標籤關係,不是二選一,所以必須用 sigmoid。時序二段確認版 fire_smoke_temporal 也是同一套 sigmoid 兩 binary,輸出尺度與本單幀版一致 → 二段確認才能直接比兩者的 smoke 機率(單幀報煙 → 看時序 smoke ≥ 0.10 才保留,否則判靜止髒汙壓制)。

🚀 部署狀態

已上 ppe-demo 兩台(gx10 + gx10-4t)model key fire_smoke_v602b 並列觀察。production 主 key fire_smoke 仍 v527,待 operator 確認後切。另有時序二段確認版 fire_smoke_temporal 已並列上線(壓靜止髒汙誤報)。

📦 模型下載

fire_smoke_v20260602b/best.pt ⬇

← 訓練報告目錄