💧 積水偵測 water_tags_v20260714 訓練報告

日期 2026-07-14 ｜ MobileNetV3-L binary 影像分類｜ cvat2 #40 water_tags ｜ v1 baseline，未上版

任務：CCTV 畫面判斷是否有積水（binary 有水/無水）。資料來源 WRA_[flood] 淹水攝影機。
test water AP = 0.9997 ｜訓練 imgsz 384 / 推論 imgsz 384（規則18）

模型 / 訓練設定

項目	值
架構	MobileNetV3-L (timm mobilenetv3_large_100.ra_in1k), binary 影像分類, 4.2M params
訓練 imgsz / 推論 imgsz	384 / 384
batch / epochs / lr / patience	64 / 20(ep7 early stop) / 5e-4 / 5
aug / pos_weight	camaug（CCTV 相機增強）/ 0.622（正例多數自動平衡）
訓練時間	75s（GPU1 RTX5090）
pipeline	沿用 fire_smoke train_fs（water=head[0]，head[1] 為 dummy）

subset	總 frame	有水	無水(負例)
Train	2357	1453	904 (38%)
Validation	370	330	40 (11%)
Test	401	361	40 (10%)

subset 用 cvat task.subset 切（不同 task 分不同 split，無同幀 leak）。data_id 拼 disk path、過濾 deleted_frames、image-mode 無 video-mode 坑。

操作點	threshold	Precision	TP	FP(無水誤報)	FN(有水漏)
@0.5	0.500	0.992	354	3/40	7/361
R≥0.99	0.313	0.989	358	4/40	3
R≥0.95	0.958	0.997	343	1/40	18
R≥0.90	0.995	1.000	325	0/40	36

綠=判對，紅=判錯。FP（誤報）多是濕路面/雨天；FN（漏）是輕微積水/雨景。這條 wet↔積水模糊帶正是 level 分級該解決的。

AP 0.9997 偏樂觀：val/test 無水負例各只 40 張(~10%)，且多為同批淹水攝影機的乾燥 frame，非多樣化乾燥場景 → 真實誤報率量不準（FP 3-4/40 小樣本 noise 大）。要可靠 precision 需補多樣化乾燥/雨天負例。
level 4 級未做：schema 有 wet/puddle/flood，但標註全填 no_set → 目前只能 binary。要嚴重度分級須先補標 level（也能解 wet↔積水模糊帶）。
acceptance 放寬：#40 全 task status=annotation（新專案無驗收流程），本次按 subset 收未過 acceptance 過濾。

ckpt: ~/factory_ppe/runs/water_v20260714/best.pt（water=head[0]）。未上版，待 operator 決定。