复杂场景不是“鸟种不够”这么简单
COCO 上从 N 升到 M，召回由 37.0% 增至 52.7%，但 M 对小鸟也只有 29.5%。更大模型能补回一部分目标，却无法替代高分辨率、小鸟样本和密集标注。
Executive decision
先选 S，优先补数据，不急着堆 M
原始 COCO 模型已经能处理“主体明显的标准鸟图”，但真正的拍鸟场景瓶颈集中在小目标、密集鸟群、遮挡/异常姿态和框边界。YOLO26s 是下一轮微调的更合理起点；YOLO26m 应保留为上限对照，而不是默认生产模型。
当前 FP 混合了三种问题
有些是真背景误报，有些是同一只鸟的重复框，还有些是框到鸟体但与人工框 IoU 不足 0.5。三者分别对应 hard negative、NMS/标签一致性、定位训练，不能统统塞进“非鸟”类别。
CUB 高分不能证明可用于全图库
CUB 每图一只明显主体，而且没有无鸟图。99% 命中说明模型认识典型鸟外观，但没有测到树枝、叶片、远处黑点、空镜头等你最在意的误报来源。
最重要的统计边界：两个评估集都只包含“有鸟”图片，因此不能计算真正的二分类 Accuracy、Specificity 或无鸟 FPR。本报告中的 Precision 是检测框层面的精确率；它不能回答“10,000 张无鸟照片里会误报多少张”。下一轮必须加入明确标注的本地无鸟测试集。
Scope & protocol
测了什么，没测什么
以下所有分数都来自保存的原始预测重新计算；没有训练、微调或改权重。COCO 的 13 个 crowd 框从自定义 TP/FP/FN 中排除，因此尺寸召回的分母是 427 个普通鸟框，而不是注释文件中的 440 个总框。
| 项目 | COCO bird val2017 | CUB-200-2011 test | 解释 |
|---|---|---|---|
| 图片 / 鸟框 | 125 / 440（含 13 crowd） | 5,794 / 5,794 | COCO 多实例、尺度跨度大；CUB 一图一只主体鸟。 |
| 评估分辨率 | 640 px，MPS，batch 8 | 所有模型同条件，便于横向比较。 | |
| 保存阈值 / NMS | conf ≥ 0.001 / NMS IoU 0.70 | 保留低分预测，之后可重新评估不同工作点。 | |
| 本报告工作点 | conf ≥ 0.25 / 匹配 IoU ≥ 0.50 | 预测按置信度排序，一对一贪心匹配。 | |
| 能回答 | 框级 AP、P/R/F1、正图命中、速度、不同尺寸召回、逐图错误类型 | 适合判断原始模型上限和微调方向。 | |
| 不能回答 | 真实无鸟误报率、Lightroom 全图库准确率、模糊/对焦失败分片表现 | 这些需要本地负样本和质量标签。 | |
本机实测：指标、速度、逐图匹配官方资料：数据集与模型定义分析判断：原因与优先级限制：正样本测试集
Six-run benchmark
总体结果：域差异大于型号差异
CUB 的 AP50 都接近 0.98，但 COCO AP50 只有 0.52–0.70。模型变大确实提高召回和框质量，不过复杂场景的性能缺口远大于 N/S/M 之间的差距。
| 数据集 | 模型 | 参数 | mAP50–95 | AP50 | Precision | Recall | F1 | 正图命中 | 速度 |
|---|---|---|---|---|---|---|---|---|---|
| COCO bird 125 图 / 427 普通框 | YOLO26n | 2.57M | 0.333 | 0.524 | 77.5% | 37.0% | 50.1% | 67.2% | 98.6 img/s |
| YOLO26s | 10.01M | 0.425 | 0.637 | 74.4% | 45.7% | 56.6% | 76.0% | 58.3 img/s | |
| YOLO26m | 21.90M | 0.469 | 0.696 | 77.3% | 52.7% | 62.7% | 81.6% | 25.8 img/s | |
| CUB test 5,794 图 / 5,794 框 | YOLO26n | 2.57M | 0.793 | 0.978 | 92.5% | 96.1% | 94.3% | 96.1% | 147.4 img/s |
| YOLO26s | 10.01M | 0.830 | 0.987 | 95.1% | 98.3% | 96.7% | 98.3% | 77.1 img/s | |
| YOLO26m | 21.90M | 0.850 | 0.988 | 94.1% | 99.1% | 96.6% | 99.1% | 27.4 img/s |
COCO 目标尺寸召回
COCO 绝对面积口径：small < 32²，medium < 96²，large ≥ 96²。分母分别为 234 / 115 / 78。
模型升级的实际收益
- COCO N→M：mAP 增加 13.6 个百分点，召回增加 15.7 个百分点，正图命中增加 14.4 个百分点；吞吐降为约 26%。
- CUB S→M：召回只增加 0.79 个百分点，但吞吐由 77.1 降到 27.4 img/s，约慢 2.8 倍。
- S 的位置：对复杂场景比 N 多召回 37 个框；对 CUB 已命中 98.3% 正图。它留下足够容量，同时让微调迭代速度可接受。
- 阈值影响：把阈值从 0.25 提到 0.50，COCO M 的精确率从 77.3% 升到 90.8%，但召回从 52.7% 降到 41.5%。阈值不是免费的“去误报”按钮。
结论：先用 YOLO26s 做单类 bird detector，并在本地验证集上校准阈值。只有当同一数据、同一分辨率下仍出现明确容量瓶颈，再把 M 作为升级项。
10 paired cases
十组失败与召回
每组从原始图、YOLO26n、s、m 四个面板横向对比。青色为人工 GT，黄绿色为 TP，红色为未匹配预测。红框不一定是“背景认成鸟”：它也可能是重复框，或框到真实鸟但 IoU 没过 0.5。
人工鸟框 匹配成功 未匹配预测 / FP。框上的数字为置信度。
CASE 01 · COCO
三种模型都漏掉的极小目标
12 GT · N/S/M 均 TP 0 · 同类候选 20 图
看到了什么
远处天空中的鸟接近点状，最小框只占画面约 0.0012%，640 输入后几乎没有可稳定利用的纹理。三种模型在 0.25 以上都没有输出。
原因与动作
主因是有效像素不足，不是模型参数不足。加入本地远距离小鸟、提高到 960/1280 或切片推理；训练时增加小目标 copy-paste 与 P2 检测头实验。只换 M 不够。
CASE 02 · COCO
只有 M 在密集鸟群中召回
25 GT · M TP 4 / FP 5 / FN 21 · 同类候选 9 图
看到了什么
N 完全无输出，S 产生 3 个未匹配框，M 成功匹配 4 只，但仍漏掉 21 只。密集、重叠、浪花背景和相似尺度共同放大了检测难度。
原因与动作
容量能帮助实例分离，但密集小鸟还受 stride、NMS 和“所有实例是否标全”影响。数据中要专门建立 flock 分片；检查 NMS，加入密集标注图，并报告每图召回而不只看“是否命中”。
CASE 03 · COCO
S/M 找回鸟，但更大模型也会看错显著主体
3 GT · N TP 0 · S TP 1 · M TP 1 / FP 1 · 同类候选 11 图
看到了什么
鸟体很小，猫反而是画面中更显著的动物。S 和 M 都找到一只鸟；M 同时给猫附近的大框一个预测，形成“召回提高但并非无副作用”。
原因与动作
加入猫、松鼠、石块等动物形状 hard negatives；训练图必须标全所有小鸟。模型选择要同时看 recall 和 FP/image，不能只看“更大模型找到更多”。
CASE 04 · COCO
命中一只，不等于找全鸟群
22 GT · N 0/22 · S 1/22 · M 2/22 · 多鸟部分召回候选 23 图
看到了什么
如果只按图片级“有鸟/无鸟”，S 和 M 都算成功；但检测任务显示 M 仍漏 20 只。小鸟剪影与天空对比清楚，却因尺寸过小、实例密集而难以逐只定位。
原因与动作
明确产品目标：Lightroom 只需证明“有鸟”时，至少命中一只可以接受；要裁主鸟或数鸟时则不够。评估同时保留 image hit rate 和 box recall，避免指标替产品做决定。
CASE 05 · COCO
“看见了”却因定位偏差记成失败
2 GT · S TP 1 · M best IoU 0.288 / FP 1 · 定位型候选 1 图
看到了什么
背景中的鸟只有几个像素。M 在正确区域附近给出 0.31 分框，但框与 GT 的重叠不足 0.5，于是同时产生 1 FP + 2 FN；这不是纯粹的语义“没认出鸟”。
原因与动作
小框的几像素偏差会让 IoU 急剧下降。标注时统一极小目标框法，训练中提高小目标权重，并补充中心距离或低 IoU 分片。二分类 presence 头可容忍定位偏差，但不能替代可用鸟框。
CASE 06 · COCO
高置信 FP 中混有重复框
13 GT · M TP 12 / FP 6 / FN 1 · 最高未匹配分 0.884
看到了什么
M 的召回很好，但同一鸟附近出现多框，最高未匹配预测达到 0.88。这会显著拉低检测 Precision，却不等同于把“无鸟背景”认成鸟。
原因与动作
先按 IoU/中心距离把 FP 分成 duplicate、localization、background 三类。重复框优先调 NMS、去重和框标签一致性；真正背景 FP 才进入 hard-negative mining。否则把真实鸟裁片错误标成非鸟，会毒化二分类网络。
CASE 07 · CUB
干净数据集也有“目标域难例”
1 GT · N/S/M 均 TP 0 · CUB 全模型漏检候选 25 图
看到了什么
鸟只占画面约 7.7%，枝叶纹理复杂，身体被遮挡且颜色与环境接近。即使 CUB 整体命中率很高，这类伪装与遮挡组合仍让三种模型完全沉默。
原因与动作
专门采集枝叶遮挡、逆光、伪装色和异常姿态，不要只用“居中、完整、清晰”的鸟种分类图。建立 occluded/camouflage 标签分片，才能验证增强是否真的有效。
CASE 08 · CUB
N 不是不认识鸟，而是框得不完整
1 GT · N score 0.916 / IoU 0.458 · S/M TP · 同类候选 153 图
看到了什么
N 对鸟有很高信心，但只覆盖躯干，漏掉长尾，IoU 只有 0.458，于是被记为 FP+FN；S/M 的框与人工框接近重合。
原因与动作
这是模型容量和边界回归收益的典型例子，也是“有无鸟二分类”和“鸟框检测”口径的分叉点。若只做 presence，N 其实已成功；若要裁鸟，必须训练完整可见鸟体的统一框规范。
CASE 09 · CUB
N/S 漏检，M 用更准边界完成召回
1 GT · S score 0.715 / IoU 0.475 · M IoU 0.978 · 同类候选 35 图
看到了什么
S 已找到正确鸟体，却因只差 0.025 IoU 没过线；M 的框达到 0.978。枝叶横穿身体、尾部延伸和细长目标形状共同影响边界。
原因与动作
验证集要同时展示 IoU 0.50/0.75 和 image-level hit；训练时加入遮挡长尾鸟、边缘鸟和细长框。若生产只需“有鸟”，可设置独立 presence 判定，不应直接拿检测 TP 作为二分类标签。
CASE 10 · CUB
异常姿态让小模型把“部件”当“整鸟”
1 GT · N IoU 0.521 / FP 2 · S/M IoU ≈ 0.98 · 定位提升候选 330 图
看到了什么
展翼蜂鸟的轮廓非常规，N 给出多个局部框；S/M 能把翅膀和躯干合成一个完整实例。它显示更强特征融合对姿态变化和整体性有帮助。
原因与动作
数据中增加飞行、展翼、俯冲、背向、半鸟等姿态；标注规范明确“框完整可见轮廓”。再用 duplicate/part-box 分片监控是否只学会了鸟头或鸟身局部纹理。
十组案例合起来说明：当前主要问题不是单一的“鸟/非鸟二分类能力不足”。它至少由小目标信息不足、密集实例、遮挡伪装、姿态整体性、边界回归、重复框和真实背景误报七类机制组成。继续训练二分类网络可以做 presence 复核，但不能解决鸟框、密集召回与重复框；更不能把所有检测 FP 直接当作“非鸟”训练样本。
Next dataset plan
下一步：本地目标域优先，三轮闭环
第一版数据集不追求“最大”，而追求标签完整、切片可解释、训练/测试隔离。先建立能量化真实无鸟误报的固定测试集，再用两轮 hard-negative mining 把你已经看到的典型误报系统化。
建议的数据组成
规模为下一阶段规划值| 数据块 | 建议规模 | 必须标签 | 用途与注意 |
|---|---|---|---|
| 固定本地 test | 1,000–1,500 图 | presence、全鸟框、场景/连拍组、错误切片 | 鸟/无鸟各约一半；只用真实原图，不做增强，不再进入训练。 |
| 本地真实有鸟训练图 | 2,000–3,000 图 | 标全所有鸟框；truncated、occluded、size、pose | 优先七月照片目标域；多鸟图不得只标主鸟。 |
| 本地明确无鸟图 | 1,500–2,000 图 | presence=0、hard-negative 类型 | 树枝、叶片、飞机、飞虫、反光、水面、猫、松鼠、石块、远处黑点。 |
| 质量失败但仍有鸟 | 800–1,500 图 | presence=1、bbox、defocus、motion_blur、under/overexposure | 模糊鸟不能标成“非鸟”；同时服务检测与后续质量评分。 |
| COCO bird train | 3,237 图 / 10,542 框 | 沿用官方 bbox | 保留复杂通用场景；与本地数据分阶段混合，避免覆盖目标域。 |
| CUB train 抽样 | 2,000–4,000 图 | 沿用单鸟 bbox | 补鸟外观和姿态，但批次占比控制在约 10–20%，不让干净主体域主导。 |
| 每轮 hard-negative | 300–800 图 × 2 | 确认无漏标鸟；记录模型、阈值、误报类型 | 从剩余本地图库低阈值扫出最高分错误，价值高于随机加数千图。 |
切片标签
tiny、edge、truncated、occluded、flock、flight、defocus、motion_blur、camouflage、hard_negative_type。
这些标签主要用于评估分片，不必全部进入模型类别。
拆分规则
按日期 × 地点 × 连拍组 × 原始文件拆分，而不是逐图随机。清晰帧、模糊增强、裁切版本必须留在同一 split，防止同一场景泄漏。
黄金指标
presence recall、specificity/FPR、FP/1,000 无鸟图、box AP50/75、每图 recall，以及 tiny/blur/edge/occluded/flock 各分片指标。
三轮执行路线
YOLO26s 主线1
冻结测试集，再训练第一个 S 基线
从七月图库按连拍组抽 1,000–1,500 张固定测试图；训练集先做 4,000–6,000 张。以 YOLO26s 单类 bird fine-tune，640 与 960 做受控对比，其他超参数尽量不变。
2
把 FP 拆成三桶，做第一轮 hard-negative mining
对剩余图库低阈值扫描：duplicate/localization 不进入非鸟；background FP 才补无鸟样本。同步复核所有 FN 是否漏标，尤其是小鸟群和画面边缘。
3
按剩余错误决定架构升级
小鸟为主：960/tiles/P2；普通鸟仍漏：补目标域与标签；树枝误报：hard negatives 或小分类器复核；局部框/重复框：定位与 NMS；只有容量曲线仍未饱和时再上 M。
建议的消融矩阵
一次只改一个变量| 实验 | 模型 / 分辨率 | 数据变化 | 要回答的问题 | 晋级条件 |
|---|---|---|---|---|
| A0 | 原始 YOLO26s / 640 | 无 | 固定本地 test 的真实基线 | 作为所有实验共同对照 |
| A1 | YOLO26s / 640 | 本地 + COCO 微调 | 目标域数据能补多少召回和误报 | FPR 下降且各难例 recall 不倒退 |
| A2 | YOLO26s / 960 | 同 A1 | 小鸟瓶颈是否主要来自分辨率 | tiny recall 增益覆盖速度成本 |
| A3 | YOLO26s / 640 | A1 + hard negatives | 真实背景误报能否系统下降 | FP/1,000 无鸟图显著下降，正样本 recall 保持 |
| A4 | YOLO26m / 640 | 完全同 A1 | 同数据下是否仍有容量瓶颈 | 增益明显且吞吐/内存可接受 |
| A5 | S detector + 轻量分类复核 | 只用 background FP 裁片 | 二阶段是否比单纯提阈值更好 | 同 recall 下 FPR 优于 A3 |
关于继续用二分类网络：可以，但更适合作为“整图 presence 辅助”或“检测框复核器”。检测器仍负责给出位置；二分类器只接收人工确认的鸟裁片/背景裁片。不要把 duplicate 或 IoU 0.49 的真实鸟框标成非鸟，否则它会学会拒绝你最需要召回的难鸟。
Reproducibility
可复核性与文件审计
六组预测都保留到置信度 0.001，可重算不同工作点。模型文件、数据注释和官方 CUB 压缩包均记录哈希；评估脚本未调用训练接口，审计结果通过。
权重身份
- YOLO26n：2,572,280 参数，5.54 MB，SHA-256
9b09…4fef - YOLO26s：10,009,784 参数，20.42 MB，SHA-256
646f…a1b - YOLO26m：21,896,248 参数，44.26 MB，SHA-256
401c…0b7
分析产物
benchmark_summary.csv：六组总体指标predictions.json：每模型/数据集原始预测scale_recall.csv：逐框尺寸召回selected_cases.json：十组案例的 TP/FP/FN 与 IoUaudit.json：完整性和未训练审计
Primary sources
来源与口径
本报告的具体分数、速度与案例均为 2026-07-21 本机实测；数据集和模型定义链接到官方资料。案例图来自本次评估所用公开数据集，并叠加本地计算的预测框。
官方资料
解释规则
- 实测：从冻结预测和 GT 重算，可由项目文件复核。
- 判断：案例原因是结合框、尺寸和场景的工程解释，不等同于模型内部因果证明。
- 代表性：十组案例按预定义失败模式排序选取，用于解释机制；候选数用于显示该模式并非孤例，但不应当作全图库流行率。
- 许可：公开数据仅用于本次技术评估；再分发或商用前应复核各数据集条款。
不要把 CUB 99% 直接写进产品承诺。它成立于“每张图都有一只明显鸟”的测试域。真正决定 Lightroom 写星体验的是：本地无鸟图 FPR、连拍组稳定性、模糊鸟召回、边缘/极小鸟召回，以及误报是否集中在可治理的少数类型。