不做框，也能做得像样：YOLO26n 有鸟 / 无鸟分类方案

类别顺序要冻结

torchvision ImageFolder 按字母排序时，bird 通常为 0、no_bird 为 1。训练、推理与报告都必须从 checkpoint 的 names 读取，不能在代码里凭记忆写死索引。

384 是首个平衡点

官方分类 checkpoint 以 224 为常见口径；本项目有大量小鸟，建议首跑 384。YOLO26n 的近似 FLOPs 随面积增长，384 相对 224 约 2.94×，仍远小于检测/姿态方案。

模型小不等于任务简单

两类 head 只有 bird/no_bird，但“无鸟”包含无限外观，“有鸟”还包含不同尺寸、遮挡和模糊。主要工程成本在数据采样、预处理与阈值，而不是最后一层。

CUB：鸟通常很大

以上为 CUB train 的鸟框面积 / 整图面积。仅用 CUB 会诱导“主体大、居中才是鸟”的捷径。

COCO：大量鸟非常小

1,195/3,237 图的最大鸟框 <1%，1,871/3,237 图 <5%。这正是全图分类器最难、但最有价值的正样本。

阶段 A 每轮采样目标

• 50% bird / 50% no_bird，避免 0.5 阈值被训练先验随意推歪。
• bird 内建议 45% CUB、55% COCO，刻意提高复杂场景权重。
• COCO 最大鸟框 <5% 时，一半抽样返回保证含鸟的 tile，一半返回全图。
• no_bird 内建议 50% 昆虫/蛛形纲、25% 飞行物、20%其他动物、5%自然人物。

阶段 B 每轮采样目标

• 25% 七月 local train、75% generic replay。
• local 和 generic 内各自保持 bird/no_bird 平衡。
• 每个 epoch 约 6,000 views 即可，不必完整扫 15,731 图。
• 本地 60 图通过随机色彩、轻微缩放和翻转产生不同视图，但不做大面积随机裁切。

Full view

EXIF 转正，保持长宽比缩放到 384 方形内，以 114 灰色填充；训练时仅允许保留 90%–100% 面积的轻微 crop、水平翻转和有限色彩扰动。

Guaranteed-bird tile

从 CUB/COCO bbox 周围取 1.5×–4× context，保证至少 80% 鸟框留在 tile 内。它帮助 head 学到小鸟纹理，但不替代 full view。

Negative tile

从确认无鸟图生成与部署 2×2 tile 相似的局部视图。否则推理时放大蝴蝶、树皮或水面高频纹理，会出现训练中没见过的误报。

阶段 A 建议起点

model = YOLO("yolo26n-cls.pt")

model.train(
    data="data/bird_presence_cls",
    trainer=BirdPresenceTrainer,
    device="mps",
    imgsz=384,
    epochs=25,
    batch=32,       # 先 smoke；有压力降为 16
    workers=0,      # Jupyter / macOS 先求稳定
    optimizer="AdamW",
    lr0=3e-4,
    weight_decay=5e-4,
    dropout=0.10,
    scale=0.10,
    fliplr=0.5,
    flipud=0.0,
    auto_augment=None,
    erasing=0.0,
    seed=42,
)

阶段 B 建议起点

load N1 best.pt
sampler:
  local views   = 25%
  generic replay = 75%
  bird/no_bird = 50% / 50%

training:
  imgsz = 384
  epoch_views = 6000
  epochs = 5..8
  lr0 = 5e-5 .. 1e-4
  freeze backbone for first 1..2 epochs
  then unfreeze all
  early stop only on constrained metric

Fast · 384 full frame

• 整张图等比 contain + padding，一次分类。
• 适合大多数主体明显的候选照片和快速预扫。
• 输出 p_full 与冻结阈值判断。
• 缺点：COCO 式极小鸟可能被全局池化淹没。

Recall · full + 2×2 overlap tiles

• 先跑 full；若 p_full 未达到 fast positive 阈值，再跑 4 个带 10%–15% 重叠的 tiles。
• 最终分数先用 max(p_full, p_tile_1...4)。
• 同一套验证图重新选择 tile 阈值，不能沿用 full 的 0.5。
• 不输出最高 tile 坐标；仅记录使用了 recall 模式。

为什么用 max

远小鸟通常只进入一个 tile；平均四个 tile 会被三个无鸟 tile 稀释。max 与“任一视图确认有鸟”语义一致，但会放大误报，所以必须单独校准。

为什么要训练负 tile

多看四次相当于增加四次误报机会。若训练只见过完整无鸟图，模型遇到放大的蝴蝶、树皮和水面纹理时会明显更激进。

为什么仍不能等同 Detect

tile 只把搜索空间粗分成四块，不学习实例边界。它提升尺度可见性，但无法给对焦网络或物种识别器提供精确裁切。

旧 PoC 是对照，不是上限

YOLO26s-cls 旧测试为 17/20：bird recall 90%、specificity 80%。两个 false positive 是蝴蝶与水面反光，一个 false negative 是远小鸟，刚好对应新版数据与 tile 设计。

不要把 tile 当独立 test 图

同一原图的 full 和四个 tiles 是相关视图。统计单位永远是原图：先聚合成一条概率，再计算 TP/FP/FN/TN。

保存所有逐图概率

只保存 yes/no 会丢掉重新定阈值的能力。CSV 至少包含 source、split、truth、p_full、p_tile_max、p_final、prediction 和错误类型。

建议目录

experiments/yolo26n_bird_presence/
├── README.md
├── configs/
├── notebooks/
│   ├── 01_build_and_train.ipynb
│   └── 01_build_and_train.executed.ipynb
├── scripts/
│   ├── build_manifest.py
│   ├── bird_presence_dataset.py
│   ├── train_n0_n2.py
│   ├── evaluate_multiview.py
│   └── make_html_report.py
├── data/
│   ├── bird_presence_cls/
│   │   ├── train/{bird,no_bird}/
│   │   ├── val/{bird,no_bird}/
│   │   └── test/{bird,no_bird}/
│   ├── manifest.csv
│   └── split_policy.json
├── runs/{n0,n1,n2}
└── artifacts/{metrics,predictions,contacts,...}

Notebook 必须解释

1. 为什么选 n-cls 而不是 n Detect。
2. 四个数据源各自解决什么问题。
3. 默认 crop 为什么会制造错误标签。
4. bbox 只如何用于训练 tile。
5. N0–N3 每次只改变哪个变量。
6. 如何从 val 选择阈值。
7. 为什么 20 张本地 test 不能代表生产。
8. 如何重载 best.pt 并输出一行 JSON。

官方模型与训练

• Ultralytics Image Classification
• Classification Dataset Format
• Ultralytics YOLO26
• Ultralytics Train Configuration
• Ultralytics Validation
• Ultralytics 官方源码

数据来源

• CUB-200-2011 作者记录
• COCO 2017 官方页面
• Open Images 官方页面
• iNaturalist 官方页面
• 当前工程 CUB/COCO annotations、negative manifest/summary、七月 100 图 split 与旧 PoC artifacts