👷 PPE 小物件辨識能力 — 升解析 vs head-ROI 實驗

針對「頭部小屬性（安全眼鏡/口罩/hair_cover 等）辨識不佳」· 資料 RAIVISION (DAVIDMAC 場域, 12k crop) · 單變因對照

結論：升解析（384×192→512×256）與 head-ROI 皆明顯改善頭部小屬性；建議走「hires 512×256」單一模型。
頭部小屬性 macro AP：baseline 0.9678 → hires 0.9879（+0.020）→ headroi 0.9904（+0.023）。兩者接近，但 hires 是單一全身模型（保留所有屬性），headroi 只吃頭肩需雙分支架構、非頭部屬性失效。

三方對照（RAIVISION test 1,257 crop，各用自身前處理）

頭部小屬性	baseline 384×192	hires 512×256	headroi (TopCrop+320²)
頭部小屬性 macro	0.9678	0.9879	0.9904
safety_glasses（最小）	0.9356	0.9915	0.9907
full_face_mask	0.9494	1.0000	1.0000
face_mask	0.9833	1.0000	0.9929
face_mask_nv	0.9414	0.9637	0.9782
helmet_goggles	0.9983	1.0000	1.0000
hard_hat	0.9950	0.9999	1.0000
safety_glasses_nv	0.9716	0.9605	0.9710

最難的小件提升最大：safety_glasses +0.056、full_face_mask +0.051、face_mask_nv +0.037。

三版設定

版本	輸入	前處理	覆蓋屬性	ckpt
baseline（現役限縮）	384×192	全身 crop resize	全 27 attr	`factory_ppe_v20260702_raivision`
hires ⭐	512×256	全身 crop resize	全 27 attr	`factory_ppe_v20260703_rai_hires`
headroi	320×320	TopCrop 上45%(頭肩)+resize	僅頭部屬性有效	`factory_ppe_v20260703_rai_headroi`

⚠️ 兩個 caveat：

RAIVISION test 小又同場域，多項衝到 1.0000 有 overfit 灌水成分；相對提升可信、絕對值別當真。
hair_cover 樣本不足（DAVIDMAC 場域極少）本次沒測到——它是通用版已知弱點，要驗證升解析對它有沒有救，需在通用 test 集上跑。
headroi 只對頭部屬性有效，鞋/手套/harness/vest 失效——要真用得做「全身 model + 頭部 head」雙分支。

建議

走 hires 512×256：單一模型同時升頭部小件 + 保留全屬性，最省事、有 door_state 384→512 (+0.011) 先例。
下一步：開一版 通用全量 hires 512×256，同 test 對照 v610_nv，確認含 hair_cover 的通用小屬性一起受益 → 才是能上 production 的方向。
headroi 邊際再 +0.002、複雜度高，除非特定頭部小件（face_mask_nv）仍不足才考慮雙分支。

兩實驗版已上 ppe-demo 並列（ppe22_rai_hires / ppe22_rai_headroi）供實測。

→ 所有報告目錄