💨 純煙偵測 smoke_only v20260618 — 新模型線（基線）
MobileNetV3-L · single-head smoke binary · cvat #2 · 「無明火純煙」資料集（task 層級排除含 fire 標記的 task）
定位：全新獨立模型線，非取代現役 fire_smoke。 目標為偵測無明火伴隨的煙（陰燃 / 工業排煙 / 早期煙）。
本版為基線：test smoke_AP 0.8867，但 P@R90 precision 偏低（0.728，FP 894）且高度集中少數場景（top10 task 佔 66%）。尚未上 production / ppe-demo。
📊 結果（cvat #2 純煙集 test split）
| 指標 | 值 | 說明 |
|---|
| test smoke_AP | 0.8867 | pos 2664 / neg 7081 |
| train smoke_AP（抽樣 8k） | 0.9773 | train-test gap +0.091（中度，非純背書） |
| P@R90 | P=0.728 | thr=0.068 · R=0.900 · FP=894 TP=2398 FN=266 |
🎯 誤報根因分析（SOP 3.5）
| FP 場景 top（task） | FP | neg | FP-rate |
|---|
| task 979 | 334 | 605 | 0.55 |
| task 5370 | 52 | 142 | 0.37 |
| task 1497 | 38 | 38 | 1.00 |
| task 661 / 3019 / 1481 / 728 | ~20 each | — | 1.00 |
- FP 高度集中：top10 task = 587/894 = 66%；單一 task 979 就佔 37%（334 FP）。多個場景 FP-rate=1.00（整場負樣本全誤判）。
- train-test gap +0.091：train 0.977 非 1.0 → 非單純背訓練集，補資料 + hard-neg 對泛化有部分空間（非全靠 aug/ensemble）。
- shortcut/模糊推測：FP-rate=1.00 的場景很可能是蒸氣 / 雲霧 / 粉塵 / 逆光背景被當煙，或標註本身模糊（不可消除上限）——需人工 audit task 979 / 1497 / 661 等。
- 下一步：針對 task 979 等高 FP 場景挖 hard-neg ×oversample 重訓；audit FP-rate=1.00 場景量化標註模糊比例。
📦 訓練 stack
- Backbone：MobileNetV3-L（4.20M params）· single-head smoke binary（num_classes=1）· BCE pos_weight=4.17
- Aug：camaug（photometric + EMA-free）· mixup 0.2 · drop 0.3
- Hyperparams：25 ep / patience 3 / batch 96 / AdamW lr 5e-4 wd 0.05 — best ep2（early stop ep5，收斂偏快，val 略 noisy）
- 訓練 imgsz：224×224 推論 imgsz：224×224
🗂️ 資料集設計（關鍵）
- task 層級排除含 fire 的 task（operator 拍板）：cvat #2 共 1415 task，排除含任一 fire 標記的 209 個 task，保留純煙集。
- 純煙集 96,530 frame（train 80,743 / val 6,042 / test 9,745），fire 正樣本=0（完全乾淨）。
- 設計代價：task 層級排除丟掉約 64% 的 smoke 正樣本（60,829 → 21,782，因真實火災「煙火並存」場景連同 fire 一起被排）。換得「無明火純煙」乾淨訓練集，避開 fire=1 但 smoke=0 的漏標污染（task 613 漫天濃煙未標 smoke 型）。
- build：
build_p2_manifest_smoke_only_v20260618.py（含 video-mode 抽 frame + deleted_frames + acceptance 過濾）· train：train_fs_smoke_only.py