# 在人工修正过的弱监督框上训练 YOLO 检测模型。
#
# 前置步骤：
#   uv run python scripts/generate_boxes.py --method shap --out runs/boxes_shap   # 生成弱监督框
#   uv run python scripts/prepare_label_studio.py --source runs/boxes_shap        # 复核材料
#   在 Label Studio 里修正标签，导出 YOLO 格式
#   uv run python scripts/build_yolo_dataset.py --export data/film_yolo_shap.zip \
#       --images runs/boxes_shap_label_studio/images --out data/film_yolo
#
# 用法：
#   uv run python detect.py --config configs/detect/film.yaml
#   uv run python detect.py --config configs/detect/film.yaml --eval-only \
#       --checkpoint runs/detect/film/weights/best.pt

work_dir: runs/detect/film
seed: 42
device: auto

data:
  yaml: data/film_yolo/data.yaml

model:
  # CLAUDE.md 的"只用 convolution 模型"只约束聚类与数据集生成阶段，检测这一步不受限，
  # 所以用最新的 YOLO26。它是端到端的（NMS-free），推理侧少一道后处理。
  # n 是最小的一档：数据只有 1.1 万张且标签是弱监督的，模型大了容易把标注噪声也学进去。
  weights: yolo26n.pt

train:
  epochs: 500
  imgsz: 640
  batch: 16
  workers: 8
  optimizer: auto
  patience: 20          # 20 轮没提升就早停
  cos_lr: true
  fraction: 1.0        # 只取训练集的一部分；冒烟测试时调小，如 0.02
  amp: true             # 非 CUDA 后端 ultralytics 会自行退回关闭

  # 数据增强。翻转按聚类阶段的结论开着（缺陷没有固定朝向）；
  # 但 mosaic/mixup 关掉——它们会把四张图拼在一起，而我们每张图只有一个弱监督框，
  # 拼接后小目标被缩得更小，对 blackdot / whitedot 这类本来就只占千分之几面积的类别是伤害。
  fliplr: 0.5
  flipud: 0.5
  degrees: 0.0
  mosaic: 0.0
  mixup: 0.0
  hsv_h: 0.0            # 单色/近单色的薄膜图，色相扰动没有意义
  hsv_s: 0.3
  hsv_v: 0.3

  plots: true           # results.png / PR 曲线 / 混淆矩阵 / val_batch 预测图
  save_period: -1

  swanlab:
    enabled: true
    project: film-detect
    name: null
    mode: local
    tags: [detect, yolov8s, gradcam-boxes]