📦 模型下載https://pub-478929a98a5c440cb22c2241c0bde314.r2.dev/forklift_yolo26n_v20260530/best.pt

🚜 Forklift YOLO26n v20260530

訓練日期 2026-05-30 · 5090-2 GPU1 batch32 · yolo26n@1280 · cvat #9 +8 task 重訓(沿用 v528 設定)

⭐ 結論:誤報明顯降(P +2.6pp)— 定位精度 trade-off

cvat #9 自 v528 後 +8 task(+642 bbox, video-mode 17→25)。同 test set @1280:Precision 0.988(+2.6pp vs v528 0.961),cascade 場景誤報明顯變少(符合降 FP 目標);代價是 mAP50-95 0.827(−2.2pp,定位精度降)。model 變保守(高 conf 才報 → P 升、IoU 平均降)。並列上架供場域實測。

🆚 Fair eval vs v528(同 test set @1280, n=2468 / 2370 bbox)

ModelmAP50mAP50-95PrecisionRecall
v5280.99220.84860.96120.9806
v5300.99390.82680.98760.9776

兩 model 同 test set、同 imgsz 1280 即時比。v530 框得更準(少假框)但定位 IoU 平均略降。場域若重「少誤報」v530 較佳;若重「框準裁 person」v528 較佳 — 待場域實測定奪。

📊 訓練

0.988
test Precision
0.994
test mAP50
100/100
epoch
+642
bbox vs v528

⚙️ Hyperparams(沿用 v528 已驗證設定)

yolo26n.pt, imgsz 1280, batch 32, epochs 100, device GPU1
scale 0.7, copy_paste 0.15, perspective 0.0005, mosaic 1.0, erasing 0.4
dataset: forklift_v20260530 (cvat #9, video-mode cvat_frame_iter)
cascade: 自動讀 imgsz + person v527 + PPE v526, conf 0.25

📦 模型下載

forklift_yolo26n_v20260530/best.pt ⬇

← 訓練報告目錄 · v528