📦 模型下載：https://pub-478929a98a5c440cb22c2241c0bde314.r2.dev/forklift_yolo26n_v20260612/best.pt

🚜 forklift v20260612 — 資料修正版

2026-06-12 · cvat #9 · operator 移除 3 個問題 PUBLIC 公開資料集（9 task 退回 annotation）+ subset 重排後重訓

TL;DR：本版重點是「訓練 lineage 乾淨」非數字提升 — export 補上規則#3 acceptance 過濾正確排掉 9 個退回 task（101 task 乾淨集）。同乾淨 test 集 v612 與 v611 持平（mAP50 0.9939 vs 0.9944, 噪音內）。已上版並列 + production forklift_ppe 改指 v612。

資料修正 + export 坑修復

operator 移除 3 個問題公開資料集：KGMAHMOUDBELOOO / RFCSV2TFRECORD / RFHITSZ（各 3 task 共 9 個, 退回 annotation stage）
🔴 發現並修復 export 歷史坑：export_p9 系歷來只判 subset != ""，缺規則#3 jobs acceptance+completed 過濾 → v611 含以前版本一直誤收未驗收 task。v612 補上後（抄 p12 pattern）第一次重拉即抓到：未過濾版 112 task/train 14,440 vs 過濾後 101 task/train 11,762 — skip 清單正中 9 個問題 task
Dataset：101 task / train 11,762 / val 1,078 / test 2,145 / bbox 13,681（deleted_frames 過濾 2,042 — 規則4）

Hyperparams（規則 18）

Backbone / 配方	YOLO26n, = v530/v611 全沿用：ep100（best ep70, val mAP50 0.9401）/ patience30 / batch32 / scale0.7 / copy_paste0.15 / perspective5e-4
訓練 imgsz / 推論 imgsz	1280 / 1280（規則16）
script	`export_p9_v20260612.py`（規則#3 過濾版 — 之後一律以此為起點）/ `train_forklift_v20260612.py`

同集對照（公平基準表：各 ckpt 同跑 v612 乾淨 test split, 2,145 imgs @1280, conf .001）

方法論註記：v530/v611 歷史報告的數字是在「含未驗收 task（含 3 個壞 PUBLIC 集）」的舊 test 集上算的，與 v612 乾淨集數字不可直接比。下表才是公平比較 — 三個 ckpt 都重新在同一份 v612 乾淨 test split 上評。

ckpt	mAP50	mAP50-95	P	R
v611（上一版, 訓練含髒資料）	0.9944	0.8569	0.9964	0.9850
v612（本版, 乾淨訓練集）	0.9939	0.8541	0.9912	0.9766
v530（前 production, 參考）	0.9946	0.8510	0.9950	0.9883

三者差異全在單 run 噪音範圍（mAP50 ±0.0007）→ 判定持平、無退步。v612 上版理由 = 資料治理（production 模型不應訓在已退回的問題標註上），非數字提升。

部署

R2	forklift_yolo26n_v20260612/best.pt
register	`forklift_ppe_v612` 並列（person 26s）+ production `forklift_ppe` 已改指 v612（person 26m@1280, forklift_conf 0.1 / person_conf 0.25）
5090-2	`~/runs_new/forklift_v20260612/run/weights/best.pt`
conf 注意	forklift_conf 0.1 沿 v530 場域值；換場域重掃 0.1/0.15/0.25（規則17）

出處：operator 2026-06-12 資料修正指示 · export 規則#3 坑記錄見 MODELS_INDEX forklift 段