审核完成后的安全回写、训练与评测手册

本文用于矿区六类联合场景补标审核完成后的正式交付。目标是保证审核决定、标签回写、5090训练和模型对比均可追溯，并且不修改原始数据集。

1. 完成判定

最终导出前必须同时满足：

平台任务进度为 100%。
PENDING=0、CLAIMED=0。
UNCERTAIN=0；升级复核项必须由管理员修改为明确决定。
所有审核人员停止操作，避免最终导出期间继续写入。

2. 冻结平台并生成交接包

先在仓库根目录定义路径，再停止 Spring Boot 平台；MySQL 保持运行：

$RepoRoot = "D:\work\yolo-label-recovery"
$Workspace = "D:\review\company_review_6cls_v2"
Set-Location $RepoRoot
powershell -ExecutionPolicy Bypass -File ".\platform\campus-deploy\stop-platform.ps1"

执行最终导出：

powershell -ExecutionPolicy Bypass -File ".\platform\campus-deploy\finalize-review.ps1" `
  -ProjectId 1 `
  -Workspace $Workspace

如果 python.exe、mysql.exe 和 mysqldump.exe 未加入 PATH，可显式追加 -Python "D:\tools\python.exe" -MySqlBin "D:\tools\mysql\bin"。

脚本会执行以下操作：

拒绝在平台仍运行时导出，保证审核决定冻结。
使用 mysqldump --single-transaction 备份平台数据库。
以 candidate_id 将 MySQL 决定合并回完整候选模板。
校验数据库任务数与模板行数完全一致。
拒绝重复ID、未知ID、未审核项和 UNCERTAIN。
生成最终CSV、审核策略、运行摘要和SHA-256清单。

最终交接目录位于：

<审核工作区>\final_exports\review_final_YYYYMMDD_HHMMSS\

3. 交接包内容

文件	用途
`company_decisions_final.csv`	带完整框坐标、GT引用和人工决定的安全回写输入
`company_decisions_final.csv.summary.json`	数量、决定分布、缺失项和CSV哈希
`label_review_database.sql`	多人审核平台数据库快照
`review_policy_used.yaml`	本轮IoU、IoS、中心距离等判定策略
`heq_smoking_exact_remap_manifest.csv`	精确修复 HEQ 吸烟框由单类 `0` 误并入六类 `person(0)` 的清单
`summary.json/summary.txt`	Teacher扫描与候选生成摘要
`decision_matrix_coverage.csv`	GT/AUTO情况覆盖统计
`SHA256SUMS.txt`	文件完整性校验

4. 在5090生成派生数据集

原始数据集保持只读。把交接包放入5090工程，例如：

<ULTRALYTICS_ROOT>\review_final\

把最终文件放到审核工作区，并将最终 CSV 命名为脚本约定的 company_decisions.csv：

<ULTRALYTICS_ROOT>\review_workspaces\company_review_6cls_v2\
  company_decisions.csv
  heq_smoking_exact_remap_manifest.csv

确认 5090 工程中的 tools\autolabel_review_v2 已更新为本次交接版本，然后运行：

cd /d <ULTRALYTICS_ROOT>
tools\autolabel_review_v2\04_apply_company_review_on_5090.bat

脚本先按框几何坐标精确执行 HEQ 吸烟类别修复，只将清单中的旧 class 0 框改为 smoking(5)，不会批量修改真正的 person(0)。随后应用人工决定：训练集用于补标训练，val/test 仅应用人工明确确认的 ACCEPT_EVAL_LABEL，仍与训练隔离。

派生数据集为 datasets\mining-safety-expanded6-company-reviewed-v3，原始 person-autofill-v1 数据集不被修改。评测时同时保留原始评测集和人工修正版评测集，两套指标都要报告，避免只展示修正后答案带来的表面提升。

5. 回写后质量门禁

必须检查派生数据集中的：

apply_summary.txt：实际新增和替换数量。
applied_or_replaced.csv：成功回写明细。
rejected_during_apply.csv：重复框复检、GT漂移等被拦截项目。
held_reviewed_eval.csv：未写入的val/test审核决定。
图片、标签一一对应，YOLO类别范围为 0..5，坐标均在 (0, 1]。
原始数据集文件数量和哈希保持不变。

先运行一次数据扫描，再训练；任何损坏图片、空标签异常、类别越界或重复框激增都应停止训练并排查。

6. 5090训练策略

使用官方预训练 yolo26m.pt 作为起点，而不是从上一版六类权重继续训练，从而公平衡量数据治理带来的收益。训练参数与上一版保持一致，核心参数为：

imgsz=832
epochs=140
optimizer=AdamW
lr0=0.0005
cos_lr=True
close_mosaic=15
device=1（以5090实际空闲卡为准）

只改变训练数据，不同时改变模型结构、损失函数或分配策略，保证本轮属于严格的数据消融实验。

7. 固定测试集对比

新旧模型必须在同一份未修改测试集、同一 imgsz、同一置信度和IoU参数下比较：

总体 Precision、Recall、mAP50、mAP50-95。
六个类别分别的 mAP50 和 mAP50-95。
联合场景子集：安全帽+吸烟、安全帽+拖鞋、多人场景。
小目标专项：吸烟、拖鞋的召回率和漏检样例。
误检、漏检及同一目标重复框可视化。
推理速度和显存占用，避免精度提升以不可接受的部署成本为代价。

最终保留 best.pt、last.pt、results.csv、混淆矩阵、PR曲线、验证预测图、测试结果和训练配置，形成完整模型交付包。

8. 回滚原则

原始数据集永不原地修改。
数据集、决定CSV、策略文件和训练结果都使用独立版本目录。
任意阶段失败时，删除派生输出并从交接包重新执行，不手工修补中间结果。
SHA256SUMS.txt 校验失败时禁止回写和训练。

FilesExpand file tree

POST_REVIEW_RUNBOOK.zh-CN.md

Latest commit

History