🔥 fire_smoke v20260707 hardneg — 對照記錄（判定不上版）
cvat #2 +SKYSHARP 新場景 · hardneg 配方（挖乾淨負樣本×3）· 對照現役 v610 hardneg · best_val_mAP 0.9726
結論：不上 production，火煙維持 v610 hardneg。
同 test 集全面略輸 v610：乾淨視角 smoke FP@R90 249→330（+33% 誤報）、AP 微降。本 session 第三次 hardneg 沒贏 v610（v629、v707）。
① 同 test 對照（乾淨視角，排除 fire=1&smoke=0 模糊 frame）
| 指標 | v610（現役） | v707（新） | Δ |
|---|
| smoke AP | 0.9781 | 0.9763 | −0.002 |
| smoke FP@R90（核心 KPI） | 249 | 330 | +33% |
| fire AP | 0.9693 | 0.9683 | −0.001 |
| fire FP@R90 | 325 | 372 | +14% |
② 根因（趨勢明確）
v707 挖到 4,390 個乾淨負樣本（v629 為 2,914）—— SKYSHARP 新場景帶進更多難負樣本。hardneg 硬壓這些難例，在乾淨視角反而製造更多 smoke FP。v610 當年的乾淨料就是最佳工作點，加新場景 + hardneg 重訓持續退步（v629→v707）。
💡 真正降誤報方向 = ensemble 不是單一 hardneg 重訓。對照中 ens(v610+v707 平均)最佳：乾淨 smoke FP@R90 降到 205（v610 單獨 249）。與 safety_rope 研究「兩個 decorrelated model 平均勝單一 aug」一致。若要真降火煙誤報, 建議走 v610+新版 ensemble（代價：雙模型部署）。
③ 訓練 stack
- MobileNetV3-L · 2-binary(smoke/fire) · camaug · 訓練 imgsz 224 / 推論 imgsz 224
- 25 ep patience3 batch96 lr5e-4 · hardneg: 挖 4390 乾淨負樣本(smoke=0&fire=0 但預測高)×3 oversample
- 資料：cvat #2 build（video-mode fix）+SKYSHARP 測試2 新場景 · train 143,633
ckpt 留 5090-2 runs/fire_smoke_v20260707_hardneg/。production 火煙維持 v610。
→ 所有報告目錄