diff --git a/scripts/retrain_from_label_studio.sh b/scripts/retrain_from_label_studio.sh
index 7046253..6fd810b 100755
--- a/scripts/retrain_from_label_studio.sh
+++ b/scripts/retrain_from_label_studio.sh
@@ -4,7 +4,11 @@
 #   bash scripts/retrain_from_label_studio.sh
 #
 # 也由 ML backend 在点击 Start Training 时自动调用（输出见 $RETRAIN_LOG）。
-# 四步：导出标注 -> 装配数据集 -> 训练 -> 切换权重并重启后端。
+# 五步：导出标注 -> 装配数据集 -> 切成固定边长的片 -> 训练 -> 切换权重并重启后端。
+#
+# 产线要求模型输入固定为 TILE_SIZE×TILE_SIZE 且禁止 resize，所以训练数据必须先切片；
+# 推理侧（可视化、批量推送、ML backend）也要用同一个尺寸，否则输入分布对不上。
+# TILE_SIZE=0 可跳过切片，训练未切片的数据集（只用于和旧模型对比）。
 set -euo pipefail
 
 REPO=$(cd "$(dirname "${BASH_SOURCE[0]}")/.." && pwd)
@@ -15,8 +19,15 @@ IMAGES="${LS_IMAGES_DIR:-$REPO/runs/boxes_shap_label_studio/images}"
 STAMP=$(date +%Y%m%d_%H%M)
 EXPORT="${LS_EXPORT_DIR:-/tmp}/ls_export_${STAMP}.zip"
 DATASET="$REPO/data/film_yolo_${STAMP}"
+TILED="$REPO/data/film_yolo_${STAMP}_tiled"
 WORK_DIR="$REPO/runs/detect/film_${STAMP}"
 
+# 切片参数。改尺寸时这里与 configs/detect/film.yaml 的 imgsz 会一起生效（见第 4 步）
+TILE_SIZE="${TILE_SIZE:-160}"
+TILE_OVERLAP="${TILE_OVERLAP:-32}"
+# >0.5 保证一个框最多出现在一片里，不会在相邻片各留一个残框
+MIN_VISIBILITY="${MIN_VISIBILITY:-0.6}"
+
 PYTHON="${REPO_PYTHON:-$REPO/.venv/bin/python}"
 # 用跑着 Label Studio 的那个环境导出，确保读的是同一个库
 LS_BIN="${LS_BIN:-/home/deep/.v/label/bin/label-studio}"
@@ -32,20 +43,34 @@ RESTART_BACKEND="${RESTART_BACKEND:-1}"
 
 echo "===== [$(date '+%F %T')] 开始重训（项目 $PROJECT）====="
 
-echo "--- 1/4 导出标注 -> $EXPORT"
+echo "--- 1/5 导出标注 -> $EXPORT"
 "$LS_BIN" export "$PROJECT" YOLO --export-path="$EXPORT"
 
-echo "--- 2/4 装配数据集 -> $DATASET"
+echo "--- 2/5 装配数据集 -> $DATASET"
 "$PYTHON" scripts/build_yolo_dataset.py \
     --export "$EXPORT" --images "$IMAGES" --out "$DATASET" --overwrite
 
-echo "--- 3/4 训练 -> $WORK_DIR"
-# shellcheck disable=SC2086  # EXTRA_SET 需要按空格拆成多个参数
+if [ "$TILE_SIZE" -gt 0 ]; then
+    echo "--- 3/5 切成 ${TILE_SIZE}x${TILE_SIZE} 的片 -> $TILED"
+    "$PYTHON" scripts/tile_dataset.py \
+        --data "$DATASET/data.yaml" --out "$TILED" \
+        --size "$TILE_SIZE" --overlap "$TILE_OVERLAP" \
+        --min-visibility "$MIN_VISIBILITY" --overwrite
+    TRAIN_DATA="$TILED/data.yaml"
+    IMGSZ_SET="train.imgsz=$TILE_SIZE"
+else
+    echo "--- 3/5 跳过切片（TILE_SIZE=0），直接用未切片的数据集"
+    TRAIN_DATA="$DATASET/data.yaml"
+    IMGSZ_SET=""
+fi
+
+echo "--- 4/5 训练 -> $WORK_DIR"
+# shellcheck disable=SC2086  # EXTRA_SET / IMGSZ_SET 需要按空格拆成多个参数
 "$PYTHON" detect.py --config configs/detect/film.yaml \
     --work-dir "$WORK_DIR" \
-    --set data.yaml="$DATASET/data.yaml" $EXTRA_SET
+    --set data.yaml="$TRAIN_DATA" $IMGSZ_SET $EXTRA_SET
 
-echo "--- 4/4 切换权重"
+echo "--- 5/5 切换权重"
 # 指向最新权重的稳定软链接：启动脚本与 push_predictions 都读它，换模型不用改任何脚本
 ln -sfn "$WORK_DIR/weights/best.pt" "$REPO/runs/detect/current.pt"
 
@@ -54,7 +79,10 @@ if [ "$RESTART_BACKEND" = "1" ]; then
     # 必须显式传 YOLO_WEIGHTS 并清掉继承来的变量：本脚本可能是旧后端的子进程，
     # 它环境里已经 export 了 YOLO_WEIGHTS（旧权重）和可能的 RETRAIN_EXTRA_SET（冒烟参数），
     # 不清掉的话新后端会继续用旧模型、下次训练也会沿用冒烟参数
+    # 后端的切片尺寸必须与训练一致，否则输入分布对不上（实测：640 训练的模型
+    # 在 160 的片上一个框都出不来）
     env -u RETRAIN_EXTRA_SET YOLO_WEIGHTS="$REPO/runs/detect/current.pt" \
+        YOLO_TILE_SIZE="$TILE_SIZE" YOLO_TILE_OVERLAP="$TILE_OVERLAP" \
         bash "$REPO/scripts/start_ml_backend.sh"
 else
     echo "--- 跳过重启 ML backend（RESTART_BACKEND=0）"
@@ -62,3 +90,6 @@ fi
 
 echo "===== [$(date '+%F %T')] 重训完成：$WORK_DIR ====="
 echo "指标见 $WORK_DIR/metrics.json，曲线见 $WORK_DIR/results.png"
+if [ "$TILE_SIZE" -gt 0 ]; then
+    echo "推理请用同样的尺寸：--tile-size $TILE_SIZE --tile-overlap $TILE_OVERLAP"
+fi