工程路径已跑通
从 ImageNet 预训练的 yolo26s-cls.pt 出发，分类头自动收缩为 1280 → 2；freeze=null，主干与分类头全部参与训练。正式最佳模型 SHA-256 为 61b178…1071b6。
Executive decision
完成训练，但判定为“数据优先”
模型产物和同口径评测均已完成。结论不是 YOLO26s 本身无效，而是在当前 Stage A 数据上，扩大容量没有换来更好的鸟/非鸟可分性。
验证集略升，边界反降
最佳 Top-1 为 95.891%，比 n 高 0.099 pp；但 COCO-vs-昆虫/蜘蛛 OI 的 ROC-AUC 从 n 的 0.9239 降到 s 的 0.9113。模型更大，并未学到更稳健的跨域“鸟性”。
多视图不是现成补丁
五视图取最大概率会提高小鸟召回，也会放大任一裁片的偶发误报。s 多视图在自动阈值下 COCO 召回 97.6%，OI 特异度却只有 49.5%。
当前决策
保留 YOLO26s 最佳权重作为可复现实验基线，但暂不替换 YOLO26n，也不继续在原 Stage A 上堆轮数。下一笔训练预算应先用于清洗正样本、补本地困难负样本和重建本地验证集，再以 n/s 三随机种子复赛。
官方来源本地实测条件化建议风险与边界
Chapter 01 · Setup
相同数据、相同超参，只改变模型规模
这是一次容量消融实验。n 与 s 均为 YOLO26 Classify，而不是 COCO Detect；它们只输出整图的 p_bird，不会输出鸟框或姿态点。
训练环境
- MacBook Pro（Mac17,2），Apple M5 10 核，32 GB 统一内存
- macOS 26.5.2，Python 3.12.12
- PyTorch 2.13.0，Ultralytics 8.4.100，Pillow 12.3.0
- MPS 可用；
device=mps，workers=0，amp=false
训练策略
- 384×384，batch 32，最多 25 轮，patience 7
- AdamW，lr 5e−4，cosine lrf 0.05，warmup 2
- weight decay 5e−4，dropout 0.1，seed 42
- 保守 HSV 与水平翻转；关闭随机裁切尺度、AutoAugment 和擦除
| 数据层 | Bird | No bird | 总量 | 组成与用途 |
|---|---|---|---|---|
| Stage A train（视图） | 13,320 | 13,320 | 26,640 | CUB 5,993 全图；COCO 3,237 全图＋4,090 框感知 tile；负样本按昆虫、飞行物、动物、人分配并循环采样 |
| Development val | 1,010 | 1,010 | 2,020 | CUB dev 1,000 鸟＋本地 10 鸟；负验证 1,000＋本地 10，用于早停和自动阈值 |
| Frozen evaluation | 5,939 | 2,116 | 8,055 | CUB stress、COCO val、负验证、OI 官方 test 昆虫/蜘蛛、本地 val 与 regression；训练 SHA 重叠为 0 |
为什么训练 26,640 张不等于有 26,640 个独立场景？
正样本包含同一 COCO 原图的全图与 tile；负样本池只有 6,395 张物理训练图，却被循环到 13,320 个视图。审计证明训练与评测没有哈希泄漏，但视图重复仍会降低有效多样性，这是“无泄漏”之外的第二个数据质量维度。
Chapter 02 · Training
s 在第一轮达到最佳，随后快速过拟合
扩大模型使每轮成本上升 1.73 倍；尽管 s 只执行 8 轮，完整墙钟时间仍比执行 10 轮的 n 高 38.8%。
| 指标 | YOLO26n-cls binary | YOLO26s-cls binary | s 相对 n | 解释 |
|---|---|---|---|---|
| 参数 / 384 px GFLOPs | 1,533,666 / 1.2 | 5,445,570 / 4.4 | 3.55× 参数 | 两者均为 86 层；预训练 1,000 类头被 2 类头替换 |
| 最佳权重体积 | 3.19 MB | 11.02 MB | 3.46× | 本地正式权重文件字节数 |
| 执行轮数 / 最佳轮 | 10 / epoch 3 | 8 / epoch 1 | 更早过拟合 | 两者均因 patience 触发早停 |
| 墙钟 / 每执行轮 | 43m 38s / 261.8s | 60m 34s / 454.3s | 1.39× / 1.73× | 同一 M5、MPS、batch 32 |
| 最佳 Top-1 | 95.792% | 95.891% | +0.099 pp | 提升小于单随机种子通常可解释的波动，不能单独证明升级 |
| 最佳 val loss | 0.11661 | 0.11199 | −3.96% | 同分布验证略好，但不能替代跨域测试 |
训练损失 −80.9%
s 从最佳轮到最终轮，train loss 从 0.24022 降至 0.04593，说明它继续拟合训练数据。
验证损失 +59.5%
同期 val loss 从 0.11199 升至 0.17862，方向与训练损失相反，是明确的泛化裂缝。
Top-1 −1.337 pp
最终 Top-1 降到 94.554%。早停和 best checkpoint 避免交付 last.pt，但无法消除数据瓶颈。
Chapter 03 · Evaluation
阈值看似改善，不等于性能上限改善
自动阈值在开发集上要求本地 10 张鸟 100% 召回、CUB dev 至少 98% 召回，再最大化负样本特异度。COCO-90 和 OI-95 则使用冻结测试标签反推，只能表示 oracle 边界，禁止直接上线。
| 模式 / 模型 | 工作阈值 | CUB stress 召回 | COCO 召回 | OI 昆虫/蜘蛛特异度 | 本地 regression Recall / Spec |
|---|---|---|---|---|---|
| Full · n | 自动 0.015 | 99.94% | 98.4% | 50.3% | 100% / 0% |
| Full · s | 自动 0.065 | 99.27% | 93.6% | 72.7% | 100% / 30% |
| Multiview · n | 自动 0.270 | 99.77% | 93.6% | 66.9% | 90% / 40% |
| Multiview · s | 自动 0.095 | 99.87% | 97.6% | 49.5% | 100% / 40% |
自动阈值不是公平的“谁更强”比较
Full 模式下，s 用 4.8 pp COCO 召回换来了 22.4 pp OI 特异度，所以它更像是换了操作点。公平判断模型排序能力，应比较同召回、同特异度和 ROC-AUC。
| 公平边界（冻结集后验诊断） | YOLO26n Full | YOLO26s Full | YOLO26n Multi | YOLO26s Multi |
|---|---|---|---|---|
| COCO 召回同为 90.4% 时：OI 特异度 | 79.29% | 74.91% | 72.81% | 65.15% |
| OI 特异度同为 95.07% 时：COCO 召回 | 57.6% | 50.4% | 52.8% | 41.6% |
| COCO-vs-OI ROC-AUC | 0.9239 | 0.9113 | 0.9067 | 0.8728 |
Full 推理速度
n 为 181.2 张/秒，s 为 138.0 张/秒。s 在 M5 上仍足够做离线筛选，但慢 23.9%。
Multi 推理速度
n 为 49.8 张/秒，s 为 40.8 张/秒；每图 5 个视图。速度损失尚可，误报代价不可接受。
决策迁移
各自自动 Full 阈值下，s 修正 648 张、退化 119 张；修正主要来自 n 极低阈值造成的负样本误报，并不推翻同召回边界更差的结论。
公平评测优先级：
1) 固定开发集规则 → 观察真实候选阈值
2) 同 Recall 比 Specificity；同 Specificity 比 Recall
3) ROC-AUC 比排序上限
4) 冻结测试集后验阈值只做诊断，不作为上线阈值
Chapter 04 · Data quality
“压缩糊”只是表象，真正问题是可见性
Stage A proxy 统一 EXIF 校正、RGB、等比例缩放和灰色填充为 512×512，再以 JPEG q90 编码。通常 q90 不是主要损失；危险的是先把原图中只有数个像素的鸟放大，再加模糊。
blurred=1。标签技术上有鸟，但人类几乎无法确认。4,090
COCO 框感知鸟类 tile 总数。
1,214
其中被额外加入高斯模糊，占 29.7%。
556
最大鸟框面积低于整图 0.05% 的 tile。
898
最大鸟框面积低于整图 0.1% 的 tile。
对模型的直接副作用
当“水面小白点、草地纹理、模糊斑块”频繁带着 Bird 标签出现，容量更大的 s 能更快记住这些捷径。它随后会把没有主体的水面高光、树叶斑点或昆虫轮廓判为鸟。该样本不应作为普通正样本，而应移入低可见性压力集或从训练中剔除。
Chapter 05 · Failure review
10 个失败样本揭示三类系统性缺口
以下概率来自 YOLO26s Full；以 COCO 90.4% 召回对应阈值 0.07417 复核。前五张为高置信误报，后五张为低置信漏报。原因是目视工程判断，不是注意力框或因果证明。
FP 01 · OI butterfly
p_bird 0.9858大型飞蛾占满画面
三角翼、尖头方向和绿色自然背景与“侧面停栖鸟”形成形状捷径；宏观轮廓压过了昆虫细节。
FP 02 · OI beetle
p_bird 0.9778黑色甲虫形成单主体剪影
高对比白底、椭圆身体与向左上方伸出的角，类似鸟身与喙。训练虽有甲虫负样本，但构图和个体外观覆盖不足。
FP 03 · OI bee-like insect
p_bird 0.9636毛状身体、翅与浅景深
昆虫的毛、眼、翅和树干停栖环境都接近鸟片的局部纹理；整图分类器没有解剖约束去验证“是否真有鸟的头身结构”。
FP 04 · OI spider
p_bird 0.9461跳蛛正脸触发眼部纹理
大眼、毛发和浅景深是高质量鸟类近摄也常见的视觉统计。缺少对象位置与关键点时，模型只能用相关性排除。
FP 05 · JULY-097
p_bird 0.9247画面没有主体，只有水面高光
这是最关键的本地域误报。绿色背景、散乱白点和模糊纹理与极小鸟 tile 的标签捷径高度一致，说明“无对象自然纹理”负样本明显不足。
FN 06 · CUB hummingbird
p_bird 0.00053悬停姿态与运动翼
翅膀成为透明模糊带，主体轮廓远离常见停栖全身鸟。对拍鸟筛选而言，这恰好是必须召回的困难姿态。
FN 07 · CUB woodpecker
p_bird 0.00081背向、贴树与强伪装
可见眼部和胸腹轮廓很少，羽毛纹理与树皮混在一起。需要背面、攀树和伪装姿态专项正样本。
FN 08 · CUB flycatcher
p_bird 0.00611人手主导、鸟体被遮挡
全局池化面对混合对象时，人手比鸟占比更大；同时训练里的 person 被当作负类，可能进一步压低 Bird 分数。
FN 09 · CUB swallow
p_bird 0.00612只露头的半只鸟
鸟头被巢洞包围，缺少身体、脚和完整轮廓。它验证了边缘裁切、遮挡和部分主体增强不能只停留在理论规划。
FN 10 · COCO mixed object
p_bird 0.01393猫是视觉主体，鸟仍然存在
图片级标签要求“任何位置有鸟”即为正类，但整图分类会让占比更大的猫竞争特征。目标检测或多实例学习比单一全局分类更符合需求。
缺口 A：形状相似负类
飞蛾、甲虫、蜂与跳蛛会共享尖头、翼、眼、毛发和自然背景。需要更多与本地拍摄构图一致的困难负样本，而不只是网络宏观类别。
缺口 B：无主体纹理
水面高光、叶片斑点、树枝交叉和远处黑点目前没有独立负样本组，却正是“误拍空帧”中最常见的内容。
缺口 C：非标准鸟姿
运动翼、背面、攀树、遮挡、半只鸟和多对象场景召回不足。对最终姿态和对焦模块，这些不是边角案例。
Chapter 06 · Roadmap
先造 Stage A-clean，再决定 n 还是 s
下一阶段不追求更多类别，而追求更明确的任务语义：什么尺寸、可见度和状态算“有鸟”，以及漏一张鸟片与多收一张空帧分别有多贵。
清洗正样本
将 bbox_ratio < 0.0005 的 COCO tile 从主训练移入压力集；若 bbox_ratio < 0.001 且 blurred=1，也移出主训练。优先人工复核 298 张最极端样本，再扩到 898 张低于 0.1% 的样本。
补本地硬负类
从七月空帧与误报中标 1,000–2,000 张：水面高光、草叶斑点、树枝、远处人畜、蝴蝶/蜻蜓、失焦黑点。任何“人也无法确认”的图片进入 ambiguous，不强制二分类。
重建本地验证
至少 500 张本地正样本＋1,000 张本地负样本；按连拍组和日期分组隔离。阈值门槛建议：本地鸟召回 ≥98%，本地硬负特异度 ≥95%，昆虫特异度 ≥95%。
n/s 三种子复赛
同一 Stage A-clean，seed 42/123/3407。先不改结构，比较同召回特异度、AUC、校准误差和速度；只有 s 的均值和置信区间持续胜出才升级。
训练侧的第二优先级
- s 将 lr0 从 5e−4 下调到 2e−4～3e−4，patience 缩到 3～5
- 可先冻结主干 1–2 轮训练二分类头，再小学习率全量解冻
- 用温度缩放校准概率；不要默认把 0.5 当成部署阈值
- 多视图从 max 改为“至少两个视图一致”或 top-2 平均，单独比较误报
长期结构：分类器只能做门卫
- 最终替代慧眼识鸟需要 Bird Detect/Pose，才能输出框、主体占比和关键点
- 框内锐度网络分别评价眼部、喙和羽毛，而不是从整图分类概率推断对焦
- Pose 关键点＋可见性送入姿态 MLP；BioCLIP/OSEA 在鸟框内做物种识别
- YOLO26n/s Classify 可以保留为低成本预筛，但不能替代定位主干
资源预算（基于本机实测）
Stage A-clean 单种子预计 n 约 45 分钟、s 约 60–90 分钟；s 三种子约 3–4.5 小时，加全图和多视图冻结评测约 15–20 分钟。数据人工复核的收益将远高于再增加十轮训练。
停止条件
若清洗和补本地数据后，s 在“同本地鸟召回 98%”下仍不能把本地/昆虫特异度稳定提高至少 2 pp，就停止 s-classify 扩容，转向 n 预筛＋Bird Detect/Pose。不要用验证 Top-1 的微小波动延长整图分类路线。
Deliverables
本次交付与可复现账本
公开报告只记录相对工程标识和校验值，不包含本地绝对路径；完整文件仍保留在项目实验目录。
| 交付物 | 相对位置 / 标识 | 校验或状态 | 用途 |
|---|---|---|---|
| YOLO26s 最佳模型 | models/yolo26s_bird_presence_a_stage_a_seed42_best.pt | 61b178…1071b6 · 11.02 MB | 正式二分类权重 |
| 训练账本 | runs/stage_a_seed42/results.csv / run_config.json | status=completed · 8 epochs | 训练曲线、超参和耗时 |
| 冻结逐图预测 | results/stage_a/full / multiview | 各 8,055 行；样本签名强制一致 | 同口径 n/s 指标与失败排序 |
| 分析摘要 | artifacts/training_analysis.json / comparison_analysis.json | 已生成 | 报告指标的机器可读来源 |
本报告没有证明什么？
没有证明 YOLO26s 在更干净、更本地化的数据上仍会输；没有证明模型具体“看了”图片哪个位置；没有提供检测框、姿态点或物种分类能力；也没有把测试集后验阈值冒充上线阈值。结论只适用于当前 Stage A、当前预处理和单个 seed 42。
Evidence
来源与审计范围
软件和模型能力采用官方文档；性能、时间、参数、阈值和失败样本全部来自 2026-08-03 本地正式运行产物。
- Ultralytics YOLO26 官方模型页：任务变体、官方预训练和模型规模口径。
- Ultralytics Image Classification 官方文档：整图分类输出与训练/验证方式。
- Microsoft COCO 官方站点：COCO 数据与对象标注背景。
- 本地 Stage A build summary、stage/eval manifests 和 dataset audit：数据量、proxy 配方、物理样本量与 SHA 隔离。
- YOLO26n/s 的 results.csv、run_config、best.pt：训练耗时、最佳轮、Top-1、loss、参数和权重哈希。
- 四份 8,055 行逐图预测：自动阈值、同召回/同特异度 oracle 边界、ROC-AUC、类别误报和决策迁移。
- 10 张代表样本的人工目视复核：失败模式属于工程假设，需在后续针对性数据实验中验证。