💨 純煙 smoke_only v20260629 — production 切版
MobileNetV3-L single-head（純 smoke）· cvat #2 task-level 排除含 fire 的 task · 無明火純煙偵測
結論：切 production 預設（v618 轉並列基線）。
cvat #2 納 6/26 新場景（IRODA 倉庫大門口 / TUNGHAI 等）重訓，同一 test 集全指標壓制 v618：
smoke AP 0.885→0.946（+0.060）、FP@R90 −39%（913→561）。純煙這條線資料本少，新場景料的邊際效益大（與火煙/PPE 飽和線相反）。
📊 同 test 集 head-to-head（9,982 frame，pos 2775 / neg 7207）
| 模型 | smoke AP | P@R90 | FP@R90 | P@R95 | FP@R95 |
|---|
| v20260618（原基線） | 0.8853 | 0.732 | 913 | 0.591 | 1823 |
| v20260629（新 ⭐） | 0.9455 | 0.817 | 561 | 0.675 | 1270 |
| Δ | +0.060 | +0.085 | −39% | +0.084 | −30% |
場域 KPI 是「固定 recall 下的 FP 絕對數」（SOP 3.5）：R90 時 FP 913→561（−352 張誤報）。新增 6/26 場景的 test frame v618 沒見過（泛化差），v629 吃了新料後在這些場景撐得住 = 場域可用性實質提升。
📦 訓練 stack
- Backbone：MobileNetV3-L 架構：single-head（num_classes=1，只訓 smoke；fire 欄忽略）
- 資料：cvat #2 task-level 排除含任一 fire 標記的 task（fire=1&smoke=0 漏標會污染 smoke negative）→ 得乾淨「無明火純煙」集；train=82,521 / val=6,374
- Hyperparams：camaug · 25 ep（early stop）· batch 96 · AdamW lr 5e-4 wd 0.05 · drop 0.3 · mixup 0.2 — best_val_mAP 0.9151
- 訓練 imgsz：224 推論 imgsz：224（整張圖分類，無 cascade）
- ckpt：
smoke_only_v20260629/best.pt（R2 + ppe-demo 兩台）
📝 備註
- ppe-demo register：
smoke_only = v629（production ⭐），smoke_only_v618 = 原基線並列。兩台（gx10 + 4t）已切、origin/main 已同步。
- 純煙 vs 火煙：純煙是「無明火純煙」獨立模型線，非取代 fire_smoke（火煙 production 維持 v610 hardneg）。
- 同期火煙 v629 hardneg 未贏 v610（FP@R90 反退，新場景帶進更難負樣本）→ 火煙不動；PPE v630 稀有 attr 崩（hair_cover 0.39）→ PPE 維持 v610_nv。唯純煙這條低資料線靠新料真進步。