堆高機（forklift）工作項目

2026-08-06 · ISMS「PM 視角:🧠 訓練/驗證 (172 隻)」中 model =「堆高機工安」的 6 支鏡頭 · 判定依據：上線判定報告
可直接上線
2
TC-1-102、自動倉北側
調 conf 即可上線
2
頻道4、頻道5
待補資料
2
充電站、出貨
待辦項目
7
3 項阻塞、4 項可並行

P0 — 阻塞全局，其他事都等它

① 驗收 9 個自動預標 task阻塞重訓 工程師
宏全三支的 3,072 個 SAM3 自動預標，cvat task 11252、 11253、 11254、 11255、 11256、 11257、 11258、 11259、 11260

只需要看兩類、不必逐張看：
類別數量怎麼看
模型補的矩形框663視覺上是矩形（SAM3 產的是貼合輪廓的多邊形），確認是不是真的堆高機
SAM3 單方面框308模型不認同的，可能誤標
兩者一致2,101兩個模型獨立達成共識，可快速略過
為何最優先：這批未驗收就進訓練，導致新模型 v20260805b 六支全面退步、誤報暴增 4.5 倍（全 test FP 從 35 → 159）。 最直接的證據是 train recall 反而低於 test recall（頻道4 0.864 vs 0.920）—— 模型連訓練過的畫面都學不會，是標註互相矛盾的典型症狀。
驗收完成後我重訓一次，宏全三支的資料才會真的發揮作用。

P1 — 缺真實影像

② 重傳 物流A倉出貨_20260706可能一次解決 工程師 / 同事
cvat task 11231 是空殼——有建立但 data_id = None、size = None，影像沒上傳成功。

同一天（20260706）另外兩支都錄到大量畫面：充電站 1,820 張、自動倉北側 1,062 張。 出貨那批原始檔若還在，重傳就能一次補足，比重新錄影快得多。
先做這個再考慮錄影——成本幾乎為零，成功率不低。
③ 補錄 物流A倉出貨 影像若 ② 失敗才做 operator（已有錄影工具）
現況需要
test bbox1273（±5pp）／150（±3pp）
有效影像23 張約 230 張
日期數1 天≥ 3 天
錄製規格：
  • 每天 15–20 分鐘、連續 3 天（比一次錄 1 小時有效得多）
  • 不用挑「確定有堆高機」的片段——連續錄即可，沒車的畫面正好補該鏡頭極缺的負樣本（目前只有 2 張）
  • 最有價值的是堆高機在貨堆間穿梭被遮擋的片段，正好補模型最弱的地方
為何要分 3 天：8/5 提供的兩支自動倉北側影片只相隔 3.5 分鐘， 去重時就有 54% 完全重複。同一天的畫面相關性太高，切不出乾淨的 train/test。
產出率參考：17 分鐘影片 → 淨產出 156 張（自動倉北側）；出貨鏡頭更靜態，產出率約一半。
④ 物流A倉充電站 補「多台並排遮擋」樣本唯一不合格鏡頭 待 ① 驗收後評估
recall 僅 0.856（六支最低），且降 conf 到 0.1 也只到 0.875——門檻救不了，必須補資料。 漏偵 78 個全部是同一種情境：多台堆高機並排充電、互相遮擋只露門架。
但先別急著補：這個鏡頭需要的樣本很可能已經在 ① 那批預標裡 （該鏡頭 test 的 543 個 bbox 就是這種場景）。驗收完重訓後再看，可能不必額外錄影。

P2 — 需要一個決定

⑤ 釐清標註定義：拖板車與站立式電動堆高機不決定就修不好 operator / 標註團隊
手動油壓拖板車、站立式電動堆高機（reach truck）算不算「堆高機工安」的偵測目標？六支鏡頭口徑一致嗎？

IRODA_[頻道4] 的漏偵集中在這兩類——它們只露出直立門架，沒有一般坐式堆高機的車體輪廓。 而且該鏡頭 train recall 0.864 < test recall 0.920（欠擬合），是標註互相矛盾的訊號。

已知的不一致跡象：頻道4 把手動油壓拖板車標為堆高機，但 TC-1-102 的類似設備（綠色手推台車） 經確認是不標的。兩者確實不同（拖板車有貨叉能舉升），但需要明確的判準文件。
這題不決定，補再多資料也修不好——模型無法學會互相矛盾的標註。

P3 — 可並行，不阻塞

⑥ 驗收自動倉北側新資料（8/5 錄影） 工程師（快，SAM3 一致率高）
cvat 11267（44 張）、 11338（112 張），共 207 個預標。 SAM3 與模型不一致的只有 26 個（漏偵率 6.8%，遠低於充電站的 34%，因為多是單台沒遮擋）。

驗收後自動倉北側的 test 可從 113 → 約 300 bbox，判定更紮實。
⑦ 安全裝備標註（cascade 第二段）進度 4.9% 標記團隊
cvat #12 的 18 個 FKCROP-PPE task，2,205 張堆高機 crop、3,050 個 person。 person 已用 SAM3 預先框好，只需填 hard_hat 和 safety_vest 屬性、不用畫框。 網址列表見 先前報告。

⚠️ task 11148 已設 acceptance 但屬性全是 unknown—— 請確認是誤設還是真的無法辨識。若誤設，那 211 個 person 會被當成標完卻完全不進訓練。
已知風險：SAM3 偶爾會框到背景路人（不在堆高機上的人）。 遇到請直接刪除該 polygon。這也牽涉到 cascade 判準的設計（需要「人是否在堆高機上」的位置判定）。

已完成

資料品質問題盤查與修正完成
  • 修 train/test leak——標註流程把同一天同鏡頭切成 001/002/003 分給不同 subset， 導致 test 有 22% 的圖與 train 完全相同。已改為 (鏡頭,日期) 整組分配
  • test 集含 80% 外部公開資料集——場域樣本扣掉 leak 只剩 51 張，已重新切分
  • 漏標修正——掃出 27 個候選，團隊已完成（8 個補標、15 個正確保留為 hard negative）
  • 宏全新資料驗收——3,133 張去重至 1,422 張（省 54.6% 標註工時）、影像品質確認無空白幀
六支鏡頭取得可信評估數字完成
建立乾淨 test（train/test 完全不同日期），六支首次都有各自的 test 集。 現行 production 模型 v20260804 表現：
鏡頭test bboxRecallFP判定
FOX_[TC-1-102]6270.9908可上線
HONCHUAN_[自動倉北側]1131.0000可上線
IRODA_[頻道5-倉庫大門口]4050.9339conf 降 0.1 → 0.961
IRODA_[頻道4-倉庫進料區]5480.9226conf 降 0.1 → 0.945
HONCHUAN_[物流A倉充電站]5430.85612不建議
HONCHUAN_[物流A倉出貨]120.9170樣本不足

貫穿全局的技術發現

「遮擋」是模型最主要的弱點——三次獨立驗證
  1. 物流A倉充電站：漏偵 78 個全是多台並排充電、互相遮擋只露門架
  2. IRODA_頻道4：漏的是站立式電動堆高機與手動拖板車（只露直立門架）
  3. 物流A倉出貨（8/5 影片實測）：堆高機開到棧板後方、下半身被紙箱擋住， conf 在半秒內從 0.871 崩到 0.116（跌 87%）
補一般資料對此無效（train recall 已偏低＝欠擬合），必須針對性補「被遮擋只露局部」的樣本。
相關報告： 上線判定 · 宏全預標驗收 · 宏全資料驗收 · 整體進度 · 漏標複核