👤 person yolo26m v20260611 @1280

2026-06-11~12 · cvat #1 dataset person_v20260608（同 26s v608, 乾淨 arch A/B）· 16h 準度研究的 26m 假設全量驗證

TL;DR：yolo26s→26m 同資料同 imgsz 100ep。同 test 集 mAP50 +0.007 / mAP50-95 +0.017 / R +0.009 全面勝；conf 重掃同 conf 下 P、R 同時更高。已上版 person_m611 並列觀察（cascade 上游暫不切）。

Hyperparams（規則 18）

項目	值
Backbone	YOLO26m（yolo26m.pt 預訓練起手, 42MB）
訓練 imgsz	1280
推論 imgsz	1280（cascade person 固定 1280, 規則16；train/infer 一致）
配方	epochs 100（best ep78）/ patience 30 / batch 12（26m@1280 上限, 26s 是 16）/ ultralytics 預設 optimizer/aug / device 單卡
Dataset	person_v20260608（train 29,065* / test 5,984 imgs）— 與 26s v608 完全同資料, 純 arch 變因
val best	mAP50 0.846（26s 100ep: 0.827）

* train 圖數見 dataset data.yaml; 與 26s v608 同一份。

同 test 集對照（5,984 test imgs @1280, conf .001）

	26s v608（production, 100ep）	26m v611（100ep）	Δ
mAP50	0.9180	0.9252	+0.007
mAP50-95	0.7881	0.8047	+0.017
P	0.9292	0.9351	+0.006
R	0.8424	0.8514	+0.009

mAP50-95 +0.017 = 框更貼合 → cascade（PPE/safety_rope crop）品質直接受益。

場域 conf 重掃（規則 17, IoU 0.5 greedy matching）

conf	26s P / R	26m P / R
0.10	0.8247 / 0.8787	0.8444 / 0.8805
0.15	0.8613 / 0.8682	0.8739 / 0.8730
0.25	0.9070 / 0.8517	0.9085 / 0.8598
0.35	0.9313 / 0.8352	0.9304 / 0.8458
0.50	0.9567 / 0.8023	0.9524 / 0.8222

同 conf 下 26m P/R 同時更高（dominate）→ conf 沿用 0.25（operator 定）, 同 P 白賺 +0.8pp recall
safety_rope 假框 gate 參考點：conf 0.4 → P≈0.94 / R≈0.84
已知殘留：t560/t262/t532 三場域 FN 集中（標註/可視性問題, 26m 也不動 t560）→ 補標優先

📦 模型下載 / 部署

項目	值
R2	person_yolo26m_v20260611_1280/best.pt（42MB）
ppe-demo register	`person_m611`（並列觀察, 兩台）
5090-2 ckpt	`~/runs_new/person_yolo26m_v20260611_1280/run/weights/best.pt`
注意	推論成本 ≈ 26s 的 1.8×（算力已確認 OK）；cascade 上游（PPE/rope/forklift 的 person 來源）暫不切, 並列觀察後另行決定

出處：2026-06-10 16h 準度研究（40ep 截斷版先證 26m 假設）→ 2026-06-11 operator 授權全量 100ep → 2026-06-12 對照上版