prioritize 命令将大量候选 CSV 转换为确定性的图片级人工审核队列。它不是简单按置信度排序，而是联合三个信号：
- 不确定性： 检测置信度的归一化伯努利熵，在
0.5附近最高。 - 类别稀缺度： 类别频率的平方根倒数，并随着该类别已经获得审核席位而动态衰减。
- 视觉多样性： 当前图片到已选集合的最小 dHash/aHash 感知距离。
该命令仅使用 CPU 且严格只读，不会修改源候选、图片或标签。
yolo-label-recovery prioritize D:\runs\candidates_review.csv D:\data\mining-safety `
--output-dir D:\runs\priority-review `
--budget 500 `
--workers 4 `
--uncertainty-weight 0.45 `
--rarity-weight 0.20 `
--diversity-weight 0.35 `
--redact-paths三个权重必须非负且总和为 1。默认只处理 REVIEW；只有明确需要在同一队列抽查 AUTO 时，才使用 --modes review auto。
人工通常打开整张图片审核，而不是孤立查看一行预测。因此工具会按 split + image 聚合同一图片的所有候选，保留关联类别和框，并计算图片级不确定性与稀缺度。候选路径可以是绝对路径、数据集相对路径或划分内相对路径，但解析结果必须位于数据集根目录内。
每个队列位置使用以下获取函数：
优先级 = 0.45 * 不确定性
+ 0.20 * 动态类别稀缺度
+ 0.35 * 到已选集合的最小视觉距离
每选中一张图片，就更新类别覆盖数量和所有剩余图片的最小视觉距离。该贪心过程完全确定；对于 N 张审核图片和预算 B，大约需要 O(N * B) 次紧凑哈希比较，不会在内存中保留全分辨率像素。
| 文件 | 用途 |
|---|---|
review_queue.csv |
每张选中图片一行，包含排名和各评分分量 |
review_queue_candidates.csv |
选中图片对应的原始候选行及优先级 |
review_pool.csv |
全部可读审核图片及是否入选 |
image_failures.csv |
缺失、越界或损坏图片证据 |
prioritization_summary.json |
策略、总量、分布与队列数据 |
prioritization_report.html |
可交付、可用于作品集的自包含报告 |
该队列有意偏向不确定、稀缺和多样的样本，可提高每小时发现问题的效率，但不能用于估计无偏精度、召回率或缺陷比例。模型指标必须使用单独的随机或分层随机审核样本；主动队列用于发现与修复问题。
检测置信度默认也不是经过校准的概率。这里的熵只是获取启发式，不代表预测一定错误。阈值校准和人工结论仍是独立阶段。
python examples\create_prioritization_fixture.py --output-dir .priority-fixture
yolo-label-recovery prioritize .priority-fixture\candidates_review.csv .priority-fixture\dataset `
--output-dir .priority-output `
--budget 12 `
--redact-paths公开样例包含 36 张类别不均衡的审核图片，最终选择 12 张并覆盖全部 6 类；前六个位置每类各获得一个席位，之后才继续分配额外审核预算。