👤 person_yolo26m_v20260715 訓練報告

日期 2026-07-15 ｜ YOLO26m 單類 person 偵測｜ cvat2 #1 ｜ 並列觀察（未切 production）

本版動機：v709 基礎上納 cvat #1 新場景料（HONCHUAN 自動倉北側 / SKYSHARP 測試1，+~178 張）。
結論：整體不退、新場景明顯進步 —— 典型「新場景低資料線」增益。

訓練設定（沿用 v709 recipe）

項目	值
架構 / base	YOLO26m, base `/home/ubuntu/yolo26m.pt`
訓練 imgsz / 推論 imgsz	1280 / 1280（cascade 場域遠景小目標，規則16/18）
epochs / patience / batch / lr0	100（best ep88）/ 30 / 8 / 0.01
aug	mosaic 1.0（close 10）, scale 0.5, fliplr 0.5, 標準
資料	train 31287 / val 4573 / test 6269（cvat #1 全量 + 新場景）
訓練時間	21.7h（GPU1 RTX5090）

同 test 對照 v709（feedback_same_testset_no_regression）

兩版皆用 v715 test 集（6269 張）評估：

測試面	指標	v709（現役）	v715	差
整體 (6269 張)	mAP50-95	0.8038	0.8035	−0.0003（持平）
	mAP50	0.9281	0.9268	−0.0013
	P / R	0.928 / 0.855	0.937 / 0.849	P+0.009 / R−0.005
新場景 (18 張自動倉/SKYSHARP)	mAP50-95	0.708	0.822	+0.114
	mAP50	0.866	0.965	+0.099
	P / R	0.864 / 0.867	0.930 / 0.933	R+0.067

⚠️ 誠實限制：新場景 test 只有 18 張（15 instance），數字是方向訊號非硬指標。整體持平則樣本充足可信。建議自動倉/SKYSHARP 累積更多 test frame 後再硬驗。

判讀

+0.6% 資料增量對整體無感（如過往零星增量教訓），但集中在新場景的料讓那些場景明顯進步、整體不退 → v715 嚴格優於 v709。
部署：ppe-demo 並列觀察；cascade person 推論 imgsz 固定 1280。production 切換由 operator 決定。

ckpt: R2 person_yolo26m_v20260715_1280/best.pt（44MB）。