📦 模型下載：https://pub-478929a98a5c440cb22c2241c0bde314.r2.dev/fire_smoke_v20260616/best.pt

🔥 火煙 fire_smoke v20260616 ｜ ⚠️ SKYSHARP 新場景觀察版

2026-06-17 · 5090-2 · MobileNetV3-L 2-binary (smoke/fire) · cvat #2 +630 新標 (SKYSHARP 測試1/2 + 嘉義福容飯店) · 並列觀察版，勿當預設

⚠️ 觀察版定位：SKYSHARP 新場景大勝，但通用集略退 → 並列給人員測試，不取代 v610 通用預設

v616 加入 SKYSHARP 新場域標註重訓後，在 SKYSHARP 新場景 fire AP 0.721→0.965（+24pp） 顯著改善；但全集 macro 因稀有 attr 場景被稀釋而 整體略退（mAP −0.4pp），且通用場域誤報增加。故 維持 v610 為通用預設，v616 僅並列供 SKYSHARP/新場景人員對照測試。SKYSHARP test 僅 56 張小樣本，數字當方向參考非定量保證。

+24pp

SKYSHARP fire AP (0.72→0.97)

2→0

SKYSHARP fire FP@R90

−0.4pp

通用 mAP (退步)

SKYSHARP test 張數(小樣本)

📥 模型下載

⬇ 下載 best.pt R2: fire_smoke_v20260616/best.pt (16.2 MB)

🔧 訓練設定

項目	值
Backbone	mobilenetv3_large_100.ra_in1k (4.20M params)
訓練 imgsz / 推論 imgsz	224 / 224
Hyperparams	epochs 25(ep13 early stop) · batch 96 · lr 5e-4 · wd 0.05 · drop 0.3 · variant camaug · ema/focal off（全沿用 v608/v610 lineage）
資料	cvat #2 manifest 159,109 (train 131,485 / val 9,803 / test 17,821)；vs v608 +1,879（SKYSHARP 新場域納入）
best val mAP	0.9724 (ep10)

📊 整體對照 v610（同一份 test 集 17,821 張，兩 ckpt 跑相同圖）

指標	v610（現役通用預設）	v616（本版）	Δ
mAP	0.9646	0.9605	−0.0041
smoke AP	0.9546	0.9448	−0.0098
fire AP	0.9745	0.9763	+0.0018

整體 v616 略退（smoke 主退）→ 不取代通用預設。

🎯 場景拆分（規則 3.5：各場景 AP + 全域 R90 門檻下 FP 絕對數）

場景	n / 正樣本	smoke AP v610→v616	fire AP v610→v616	FP@R90 (smoke / fire)
SKYSHARP（新場域）	56 (s20 / f20)	0.923→0.968 (+4.5pp)	0.721→0.965 (+24.4pp)	0→0 / 2→0
嘉義福容飯店	253 (s18 / f0)	1.000→0.988 (≈持平)	無 fire 正樣本	0→0 / 0→0
rest（其餘通用場域）	17,512	0.955→0.945 (−1pp)	0.975→0.977 (≈)	523→637 (+114) / 241→322 (+81)

🧭 結論與部署

✅ SKYSHARP 新場景：v616 大勝（fire AP +24pp、FP 2→0），正是加新標的目標效果。

⚠️ 通用場域：v616 略退（mAP −0.4pp、smoke AP −1pp，R90 下通用 FP 增 ~195）。

部署：並列上 ppe-demo（register key fire_smoke_v616，名稱明標觀察版/勿當預設），不動 v610 通用預設。供 SKYSHARP/新場景人員對照測試。

後續：SKYSHARP test 僅 56 張，建議補 SKYSHARP test 標註後再評估是否值得專版固化或併入通用。

同 test 集公平對照方法論見 MODELS_INDEX；FP 分析依規則 3.5（固定 recall 下 FP 絕對數 + 按場景拆分）。