ModelTrainEval/README.md

# ModelTrainEval

薄膜缺陷**分类 + 定位**模型的训练与评估。模型最终部署在实时设备上，因此只使用基于
convolution 的结构（不含 attention / transformer），并支持导出 ONNX。

## 目录

| 目录 | 作用 |
| --- | --- |
| `configs/` | yaml 配置（`model/` 模型、`dataset/` 数据、`train/` 训练、`eval/` 评估） |
| `models/` | 模型骨架：`backbones/` + `necks/` + `heads/`，由 `defect_net.py` 组装 |
| `datasets/` | 抛出数据样本的 Dataset 类、数据增强、监督信号编码 |
| `data/` | 数据集本体或软链接（不入库，见 [data/README.md](data/README.md)） |
| `scripts/` | 格式转换、数据集切分、ONNX 导出等批处理脚本 |
| `engine/` | 训练 / 评估循环、损失、指标、优化器、检查点、SwanLab 可视化 |
| `utils/` | 配置、注册表、日志、随机种子、设备解析（cuda/mps/cpu） |
| `tests/` | 单元测试 |
| `docs/` | 算法与数学说明文档 |
| `figures/` | 文档用的 mermaid 图（`.mmd` 源 + `.md` 预览 + `.png`） |

入口在仓库根目录：[train.py](train.py)、[eval.py](eval.py)。

## 环境

```bash
uv sync                      # 安装依赖（含 swanlab）
uv sync --group export       # 需要导出 ONNX 时再装
uv run python scripts/check_env.py   # 自检（Python / PyTorch / 可用后端）
```

### 计算后端

支持 **CUDA / MPS（Apple Silicon）/ CPU**。配置里的 `device: auto` 按 `cuda > mps > cpu`
自动挑最快的可用后端，也可以显式写 `cuda` / `mps` / `cpu`，或用命令行 `--device` 覆盖：

```bash
uv run python train.py --config configs/train/baseline.yaml               # auto
uv run python train.py --config configs/train/baseline.yaml --device mps  # 强制 Mac GPU
uv run python train.py --config configs/train/baseline.yaml --device cpu
```

**显式指定不可用的后端会直接报错退出**，不会悄悄退回 CPU——训练慢几十倍却不吭声是最坏的情况。

| 后端 | AMP 默认 | 显存统计 | 备注 |
| --- | --- | --- | --- |
| `cuda` | **开** | 精确峰值 | Linux 上 PyPI 的 torch 即 CUDA 构建；指定版本用 `uv pip install --index-url https://download.pytorch.org/whl/cu124 torch torchvision` |
| `mps` | **关** | 采样下界 | Apple Silicon。autocast 可用且数值正常，但实测比 fp32 慢（tiny_conv @128²：fp32 76 ms/步，fp16 90 ms），故默认不开；`amp: true` 可强制打开 |
| `cpu` | 不支持 | 无 | 实测比 MPS 慢约 30 倍，仅适合调试与精度回归 |

`amp` 字段接受 `auto`（随后端）/ `true` / `false`。MPS 上 `torch.profiler` 抓不到 Metal kernel
（没有对应的 `ProfilerActivity`），算子明细只反映 CPU 侧下发耗时。

## 数据准备

标注为 **YOLO 风格**：`images/` 下每张图在同层 `labels/` 有一个同名 `.txt`，
每行 `class_id cx cy w h`（相对宽高归一化到 [0,1]），空文件或缺失 `.txt` 即无缺陷样本。

```
data/raw/film/
├── images/{train,val}/0001.png
├── labels/{train,val}/0001.txt
└── data.yaml            # path / train / val / nc / names
```

```bash
# 1. labelme / VOC -> YOLO txt（顺带生成 data.yaml）
uv run python scripts/convert_annotations.py --format labelme \
    --input data/raw/film/labelme --images data/raw/film/images \
    --output data/raw/film/labels --data-yaml data/raw/film/data.yaml

# 2. 切分 train / val（默认建软链，不复制数据）
uv run python scripts/split_dataset.py --images data/raw/film/images \
    --labels data/raw/film/labels --val-ratio 0.2 --data-yaml data/raw/film/data.yaml
```

配置里的 `classes` 既可以直接写类别列表，也可以写成 `data/raw/film/data.yaml`，由框架读 `names`。
读取时也接受 YOLO 分割格式的多边形行（取外接矩形）。细节见 [data/README.md](data/README.md)
与 [datasets/yolo.py](datasets/yolo.py)。

## 训练与评估

```bash
uv run python train.py --config configs/train/baseline.yaml
uv run python train.py --config configs/train/baseline.yaml --set train.epochs=10 train.optimizer.lr=5e-4
uv run python train.py --config configs/train/baseline.yaml --resume runs/baseline/last.pth

uv run python eval.py --config configs/eval/baseline.yaml --checkpoint runs/baseline/best.pth
uv run python scripts/export_onnx.py --config configs/train/baseline.yaml \
    --checkpoint runs/baseline/best.pth --output runs/baseline/model.onnx
```

换骨架用对应的配置对（训练与评估必须成对，否则构建出的骨架与权重对不上）：

| 骨架 | 训练 | 评估 | work_dir |
| --- | --- | --- | --- |
| `tiny_conv`（默认） | `configs/train/baseline.yaml` | `configs/eval/baseline.yaml` | `runs/baseline` |
| `resnet18` | `configs/train/resnet18.yaml` | `configs/eval/resnet18.yaml` | `runs/resnet18` |

```bash
uv run python train.py --config configs/train/resnet18.yaml
uv run python eval.py  --config configs/eval/resnet18.yaml
uv run python scripts/export_onnx.py --config configs/train/resnet18.yaml \
    --checkpoint runs/resnet18/best.pth --output runs/resnet18/model.onnx
```

要加别的骨架（mobilenet / shufflenet），照 [configs/model/resnet18.yaml](configs/model/resnet18.yaml)
复制一份改 `arch` 即可——注意保留里面的 `_replace_: true`，否则 `tiny_conv` 的
`widths/depths/block` 会残留下来传给新骨架。

产物写在 `work_dir`（默认 `runs/<name>/`）：`train.log`、`config.yaml`、`last.pth`、`best.pth`、`swanlog/`。

## 多类 / 单类分类

图像级分类的形式由 yaml 的 `label_mode` 决定，模型的分类头、分类损失、分类指标都跟着切换
（定位分支不受影响，始终按 `classes` 逐类输出 heatmap）：

| `label_mode` | 含义 | 分类头输出 | 损失 | 主要指标 |
| --- | --- | --- | --- | --- |
| `multilabel`（默认） | **多类**：一张图可同时含多种缺陷，全 0 表示 OK 片 | `len(classes)` | 逐类 BCE | micro P/R/F1、`cls_exact_match` |
| `multiclass` | **单类**：一张图只归一个类别，互斥 | `len(classes) + 1`（末位为"无缺陷"） | softmax CE | `cls_accuracy`、macro P/R/F1 |

```bash
uv run python train.py --config configs/train/baseline.yaml                  # 多类
uv run python train.py --config configs/train/multiclass.yaml                # 单类
uv run python train.py --config configs/train/baseline.yaml --set label_mode=multiclass
```

单类模式下若一张图标注了多种缺陷，取框数最多的类别（并列取下标最小的）；
无缺陷样本落到背景下标 `len(classes)`。两种模式的分类指标都含 `cls_f1`，
因此 `train.monitor` 不必跟着改。

## 训练可视化（SwanLab）

训练过程通过 [SwanLab](https://swanlab.cn) 记录：按 step 记录各项损失与学习率，按 epoch 记录
验证指标与显存峰值，实验的超参就是完整的 yaml 配置。在 `train.swanlab` 里配置：

```yaml
train:
  swanlab:
    enabled: true
    project: film-defect
    name: null        # 缺省用 work_dir 目录名
    mode: online      # online(云端) | local(本地看板) | offline(仅存盘) | disabled
    tags: [tiny_conv, center-head]
```

```bash
# 本地看板：不需要账号，训练时用 local 模式，另开终端起看板
uv run python train.py --config configs/train/baseline.yaml --set train.swanlab.mode=local
uv run swanlab watch runs/baseline/swanlog          # 默认 http://127.0.0.1:5092

# 云端
uv run swanlab login                               # 首次使用需登录
uv run python train.py --config configs/train/baseline.yaml   # mode 默认 online

# 离线跑完后再补传云端
uv run swanlab sync runs/baseline/swanlog
```

看板可以在训练**进行中**打开，指标边训边刷。端口冲突用 `-p 5100`，要局域网访问加 `-h 0.0.0.0`。
本地看板依赖 `swanlab[dashboard]`，已包含在 `uv sync` 里。

未安装 swanlab、未登录或网络不通时会打一条警告并继续训练，不会中断。关掉用
`--set train.swanlab.enabled=false`。

## 推理性能与显存分析

部署前用 `torch.profiler` 看单帧耗时与显存占用：

```bash
uv run python scripts/profile_inference.py --config configs/train/baseline.yaml \
    --checkpoint runs/baseline/best.pth --batch-size 1 4 8 --postprocess

# 导出 chrome trace，用 chrome://tracing 或 ui.perfetto.dev 打开
uv run python scripts/profile_inference.py --config configs/train/baseline.yaml \
    --checkpoint runs/baseline/best.pth --trace runs/baseline/trace.json --out runs/baseline/profile.json
```

输出包含：每个 batch 的单帧延迟 / FPS、显存峰值、权重占用，以及按显存和耗时各排一次序的
算子级明细。`--amp` 用 fp16 推理对比，`--postprocess` 把 heatmap 解码也计入，
`--device` 指定后端（默认 auto）。

后端差异见[计算后端](#计算后端)：CUDA 给精确峰值；MPS 上 `torch.profiler` 抓不到 Metal kernel，
算子明细只反映 CPU 侧下发耗时、显存靠采样是下界；CPU 只有耗时与 CPU 内存。

## 未分类样本的无监督聚类

### 调用 ImageNet 预训练模型

`data/raw/film` 里大量样本还没人工分完。这条流水线把目录下**所有图片拉平**（不看任何
目录名），做无监督聚类，产出可人工核对的分组：

```bash
# ImageNet 预训练卷积特征，不训练，CPU 上 14.5k 张约 100 秒
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml

# 先扫一遍簇数再决定分几类
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml --sweep-k 2-8

# 换成在本地数据上自监督训练的特征（SimCLR，Mac 上自动走 MPS）
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml --set method=simclr
```

簇数由配置的 `num_clusters` 决定，也可以 `--num-clusters 6` 临时覆盖（实测 4 类的换种子稳定性最高，见文档 §10.4）。产出在 `work_dir`：
`assignments.csv`（每张图的簇号与到质心的距离）、`summary.json`、
`clusters/cluster_XX/`（按簇建的软链目录，直接用看图软件翻）、
`cluster_XX_preview.png`（每簇最靠近质心的代表样本拼图）、
`cluster_scatter.png`（**簇分布图**，见下）。

### 簇分布图

`cluster_scatter.png` 和 preview 拼图同级，一张图回答"各簇离多远"：

- **左**：聚类空间的 PCA 二维投影，散点按簇着色，`X` 是质心。标题给出两个主成分的
  方差占比——占比低说明高维结构被压掉得多，图上的远近只能参考。
- **右**：质心两两距离矩阵（在**聚类空间**里算的，不是投影后），带数值标注。
  这个是准的，看重叠严不严重以它为准。

投影用 PCA 而不是 t-SNE/UMAP：后两者为了把簇拉开会**扭曲簇间距离**，而这张图的目的
恰恰是看距离。相关配置：

```yaml
scatter:
  enabled: true
  max_points: 5000      # 点太多会糊成一团且文件很大，超过就随机抽样
  point_size: 6
  alpha: 0.35
  figsize: [14, 6]
  dpi: 150
```

关掉用 `--set scatter.enabled=false`。图上的中文需要系统里有 PingFang / Noto Sans CJK
等字体，找不到会自动退回英文标签（不会画成豆腐块）。质心距离矩阵同时写进
`summary.json` 的 `centroid_distances`，方便脚本读取。

翻图时注意 `clusters/` 里文件名前缀是排序号：`0000_` 最靠近质心（最典型），
末尾 20 张是离质心最远的离群样本——最能暴露这个簇是不是混了东西。

**尺寸不统一的处理**：这批图是已裁好的缺陷小图，中位 152×113，宽高比从 0.24 到 39.9。
尺寸和宽高比是上游 ROI 裁剪的产物、不是缺陷属性，所以预处理的目标是把它抹掉：
直接拉伸到 128×128（不用 letterbox——填充比例等价于把宽高比明着喂给网络），
再做逐图 z-score 抹掉整体亮度/对比度。

无标签时用两个指标判断质量：**轮廓系数**（簇是否紧致）和**换随机种子的稳定性**
（同一份数据换初始化后划分是否还一样，低说明是在硬切一团连续数据）。

> 完整的数学推导、算法流程图与全部消融数据见
> **[docs/unsupervised-clustering.md](docs/unsupervised-clustering.md)**。

### 按聚类结果导出数据集

人工核对完分组后，把结果落成一个可以直接使用的数据集目录：

```bash
uv run python scripts/export_clusters.py --work-dir runs/simclr_r18            # 先看计划加 --dry-run
```

```
data/film_r18_cluster_k4/     # <源目录名>_<骨架标签>_cluster_k<簇数>，自动推导
├── 0/                        # 簇 0 的图，文件名保持原样
├── 1/
├── 2/
├── 3/
└── manifest.json             # 来源 run、特征配置、每张图的原始路径
```

**复制真实文件**，不是软链也不改名，所以这个目录可以直接拷走或喂给别的工具。
目录名可用 `--tag r18ss` 换标签、`--out` 完全指定。几个保护：源文件缺失、
同簇内出现重名（保持原名会互相覆盖）都会直接报错；目标目录非空时必须显式 `--overwrite`。

> 标签只反映骨架，不区分 pretrained 与 simclr——同一骨架的两种跑法会推出同名目录，
> 需要并存时用 `--tag` 手动区分。无论目录叫什么，`manifest.json` 都记着这批图来自哪次 run。

### 自监督预训练（SimCLR）

`method: pretrained`（默认）用 ImageNet 权重直接抽特征，不训练；`method: simclr` 则在
**本批薄膜图上自监督训练**一个项目自己的纯卷积骨架，域适配更好。同一张图的两个随机增强
视图互为正样本，batch 内其余 2B−2 个视图为负样本，用 NT-Xent 损失训练。

训练走 `device: auto` 选中的后端——**Mac 上直接用 MPS 即可**，实测 14,579 张、
batch 256 时约 65 秒/epoch。

#### 第一步：训练 + 聚类（一条命令）

`method=simclr` 会先训练、存权重，然后直接用这份权重抽特征做聚类，不需要分两次调用：

```bash
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
    --work-dir runs/simclr \
    --set method=simclr simclr.epochs=40 loader.num_workers=8
```

按 65 秒/epoch 算，40 轮约 **45 分钟**。产出：

```
runs/simclr/
├── simclr_backbone.pth      # 只含骨架，给下游用（聚类 / 初始化 DefectNet）
├── simclr_last.pth          # 完整训练状态，给断点续训用
├── swanlog/                 # SwanLab 日志
├── cluster.log
├── assignments.csv
├── summary.json
├── clusters/cluster_XX/
└── cluster_XX_preview.png
```

跑长任务建议丢后台，随时能看进度：

```bash
nohup uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
    --work-dir runs/simclr \
    --set method=simclr simclr.epochs=40 loader.num_workers=8 > runs/simclr.log 2>&1 &

tail -f runs/simclr.log
```

#### 断点续训

训练中断（Ctrl-C、kill、机器重启）后接着练，用 `simclr.resume` 指向 `simclr_last.pth`：

```bash
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
    --work-dir runs/simclr \
    --set method=simclr simclr.epochs=40 loader.num_workers=8 \
          simclr.resume=runs/simclr/simclr_last.pth
```

日志会打印"已载入训练状态 …：从 epoch N 接着练到 40"。恢复的不只是权重，还有**投影头、
优化器动量缓冲和 step 计数**——少了这些，续训等于把动量清零，损失会先反弹一段。

> **配置文件是唯一真相源。** 存档只提供"进度"（权重、动量、已训到第几轮）；
> `epochs`、`lr`、`weight_decay`、调度器一律以当前 yaml 为准。所以续训时可以顺手调超参：
>
> ```bash
> uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
>     --work-dir runs/simclr \
>     --set method=simclr simclr.epochs=60 simclr.optimizer.lr=5e-4 \
>           simclr.resume=runs/simclr/simclr_last.pth
> ```
>
> 与存档不一致时日志会逐项列出（`配置与存档不一致，按当前配置执行：总轮数 40 -> 60；
> optimizer.lr 0.001 -> 0.0005`），不会出现"改了没生效"。学习率调度按新的总轮数重建
> 并快进到当前 epoch，不会沿用存档里的 T_max。

续训时各项配置的行为：

| 配置项 | 续训时 |
| --- | --- |
| `epochs` | 按 yaml，且是**总轮数**不是剩余轮数。已训 12 轮、写 40 就再训 28 轮；写成 ≤12 则不再训练并给出提示 |
| `optimizer` 的超参（`lr` / `weight_decay` / `betas` / `momentum` …） | 按 yaml |
| `scheduler`（类型与参数） | 按 yaml，重建后快进到当前 epoch |
| `temperature`、`log_interval`、`save_interval`、`amp`、`batch_size`、增强 | 按 yaml |
| 模型权重、投影头、优化器动量缓冲、已训轮数、`global_step` | 来自存档（这些才是"进度"） |
| `optimizer.name`（adamw ↔ sgd） | 可以改，但动量缓冲无法迁移、会从零积累（有日志提示） |
| `backbone` 结构、`projection` 维度 | **不能改**，与存档权重形状不符会直接报错 |

> `resume` 与 `checkpoint` 语义不同，二选一（同时给会报错）：
> **`resume`** = 载入完整状态**接着训练**（要 `simclr_last.pth`）；
> **`checkpoint`** = 有权重就**跳过训练**直接聚类（要 `simclr_backbone.pth`）。
> 拿 `simclr_backbone.pth` 去 `resume` 会报错，因为它不含投影头和优化器状态。

#### 第二步：复用权重重新聚类

想换簇数或改聚类参数时**不必重训**——把权重路径填进 `simclr.checkpoint` 就会跳过训练
（日志会打印"复用已有的自监督骨架"），这一步只跑特征提取 + 聚类，约 **1 分钟**：

```bash
# 换成 k=2（实测 SimCLR 特征在 k=2 上最干净：轮廓 0.469 / 稳定性 0.991）
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
    --work-dir runs/simclr_k2 \
    --set method=simclr simclr.checkpoint=runs/simclr/simclr_backbone.pth \
    --num-clusters 2

# 先扫一遍簇数再决定（只打指标表，不产出分组）
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml \
    --set method=simclr simclr.checkpoint=runs/simclr/simclr_backbone.pth \
    --sweep-k 2-8
```

> 复用权重时给一个**新的 `--work-dir`**，否则新的聚类产出会覆盖同目录下的旧结果。

**实测效果**（14,579 张，与 pretrained 用完全相同的聚类设置）：只训 **1 个 epoch** 的域内特征
在 k=4 上就追平 ImageNet（轮廓 0.334 vs 0.325），在 **k=2 上大幅胜出**（轮廓 0.469、
稳定性 0.991）——目视确认这个二分正是"有明显缺陷 / 弱纹理近空白"，可直接当作流水线的
第一级过滤。详见 [文档 §10.5](docs/unsupervised-clustering.md#105-simclr-域内自监督-vs-imagenet-预训练)。

权重存到 `<work_dir>/simclr_backbone.pth`（**只含骨架，不含投影头**——投影头被训练成
对增强不变，会丢掉下游有用的信息，所以聚类和保存都只用骨架特征）。

#### 固化到配置

每次敲 `--set` 麻烦的话，直接改 [configs/cluster/film.yaml](configs/cluster/film.yaml)：

```yaml
method: simclr

simclr:
  # 自监督用项目自己的纯卷积骨架（与 method=pretrained 的顶层 `backbone` 各自独立，
  # 两者字段完全不同，分开配置以免 _base_ 合并时串味）
  backbone: {name: tiny_conv, in_channels: 3, widths: [32, 64, 128, 256], depths: [1, 2, 2, 2]}
  epochs: 40
  batch_size: 256
  temperature: 0.2          # 越小越关注难负样本
  amp: auto                 # CUDA 上开、MPS 上关
  save_interval: 5          # 每 5 个 epoch 落一次盘
  # 下面两个二选一，语义不同：
  checkpoint: null          # 有权重就跳过训练直接聚类，例 runs/simclr/simclr_backbone.pth
  resume: null              # 载入完整状态接着训练，例 runs/simclr/simclr_last.pth
  projection: {hidden_channels: 256, out_channels: 128}
  optimizer: {name: adamw, lr: 0.001, weight_decay: 0.0001}
  scheduler: {name: cosine}

view_transforms:            # 生成两个视图的随机增强
  - {name: RandomResizedCrop, size: [128, 128], scale: [0.5, 1.0]}
  - {name: RandomHorizontalFlip, p: 0.5}
  - {name: RandomVerticalFlip, p: 0.5}
  - {name: GaussianBlur, p: 0.3}
```

> `RandomResizedCrop` 的 `scale` 下限别低于 0.4：裁太狠会让两个视图都只剩背景，
> "背景 vs 背景"被当成正样本对，学出来的特征会退化。

#### 换一个骨架

**仓库自带 resnet18 / resnet50 的现成配置**，直接用：

```bash
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet18.yaml \
    --work-dir runs/simclr_r18 --set simclr.epochs=40

uv run python scripts/cluster_unlabeled.py --config configs/cluster/film_simclr_resnet50.yaml \
    --work-dir runs/simclr_r50 --set simclr.epochs=40
```

两者在 Apple MPS 上的实测开销（14,579 张，128×128 双视图）：

| 骨架 | 参数量 | layer2+3 维度 | 每 epoch | batch 上限 |
| --- | --- | --- | --- | --- |
| resnet18 | 11.2M | 384 | 约 93 秒 | 1024 可用 |
| resnet50 | 23.5M | 1536 | 约 155 秒 | **1024 会 OOM**（需 18.7 GiB），配置里用 256 |

resnet50 每 epoch 的耗时与 batch 基本无关（算力受限），所以显存不够时往下调 batch 不花额外时间，
只是 NT-Xent 的负样本变少。

注意默认的 `method: pretrained` 用的**也是 resnet18**（ImageNet 权重，不训练，约 51 秒出结果）；
上面这个配置是在 `data/raw/film` 上自监督训练它。两者实测对比（14,579 张，k=4）：

| 方案 | 轮廓 | 稳定性 | 成本 |
| --- | --- | --- | --- |
| pretrained resnet18（ImageNet，不训练） | **0.326** | **0.964** | 约 51 秒 |
| SimCLR tiny_conv（1 epoch） | 0.334 | 0.873 | 65 秒/epoch |
| SimCLR resnet18（1 epoch） | 0.243 | 0.997 | 93 秒/epoch，显存 315 MB |

resnet18 参数量是 tiny_conv 的 37 倍（11.2M vs 0.3M），1 个 epoch 远不够收敛——
上表只是**下界**，要用它就得训几十轮。想快速出结果，默认的 pretrained 或 tiny_conv 更划算。

`simclr.backbone` 用的是和检测模型同一套注册表，可选：

| `name` | `arch` | out_channels | 说明 |
| --- | --- | --- | --- |
| `tiny_conv` | — | 256（可调） | 自研深度可分离卷积，默认，最轻 |
| `torchvision` | `resnet18` / `resnet34` | 512 | 通用基线 |
| `torchvision` | `resnet50` | 2048 | 最强也最重，MPS 上注意 batch |
| `torchvision` | `mobilenet_v3_small` / `_large` | 576 / 960 | 面向实时部署 |
| `torchvision` | `shufflenet_v2_x1_0` | 1024 | 同上 |

全是纯卷积（ViT/Swin 不在支持范围，本项目要部署在实时设备上）。改法是**整块替换**
`simclr.backbone`，因为两种骨架的字段完全不同（`widths/depths/block` vs `arch/pretrained`）：

```yaml
# configs/cluster/film.yaml
simclr:
  backbone:
    name: torchvision
    arch: resnet18
    pretrained: true      # 先用 ImageNet 权重起步，再在本批数据上自监督微调
    in_channels: 3
```

如果不想改原文件，用 `_base_` 继承时要加 `_replace_: true`——子字典默认是**合并**而不是
替换，不加的话 base 里 `tiny_conv` 的 `widths/depths` 会残留下来传给新骨架：

```yaml
_base_: [configs/cluster/film.yaml]
simclr:
  backbone:
    _replace_: true     # 整块换掉，不与 base 合并
    name: torchvision
    arch: resnet18
    pretrained: true
```

> **不要用 `--set simclr.backbone.name=torchvision`**：它只改名字，旧骨架的专有字段仍在，
> 会报 `构建 'torchvision' 时收到它不接受的字段 ['block', 'depths', 'widths']`。
> 换组件请改配置文件。

注意 `simclr.feature_stages`：`torchvision` 系列的 `features` 是 `nn.Sequential`，可以填
`[5, 6]` 这类中间层下标；`tiny_conv` 不是，必须保持 `null`（取最终输出）。

SimCLR 训练同样接了 SwanLab（配置在 `simclr.swanlab`，字段与 `train.swanlab` 相同，
默认 `mode: local` 不需要登录）。训练跑起来后另开一个终端：

```bash
uv run swanlab watch runs/simclr/swanlog
```

记录的指标：按 step 的 `simclr/loss`、`simclr/loss_avg`、`simclr/lr`，按 epoch 的
`simclr/epoch_loss`、`simclr/epoch_seconds`、`simclr/gpu_mem_peak_mb`，超参是完整的 yaml 配置。
不想要就 `--set simclr.swanlab.enabled=false`；纯看文本日志用
`grep "完成 loss" runs/simclr/cluster.log`。

训练出的骨架和检测模型用的是同一套卷积骨架，可以直接拿去初始化 `DefectNet` 的 backbone——
标注量有限时，通常比 ImageNet 权重更贴合薄膜的成像特性。

## 方法

- **骨架**：`tiny_conv`（自研深度可分离卷积，默认）或 `torchvision`（resnet / mobilenet / shufflenet）。
- **neck**：nearest 上采样 + 3×3 卷积，把特征恢复到 stride 4，兼顾小缺陷定位与速度。
- **定位头**：anchor-free 中心点（CenterNet 风格）——`heatmap` + `wh` + `offset`，
  推理端用 3×3 max-pool 做峰值抑制，无 NMS 循环，便于导出到 TensorRT / OpenVINO。
- **分类头**：全局池化 + 全连接，输出**多热**标签（一张图可同时含多种缺陷，全 0 表示 OK 片）。
- **指标**：定位 precision / recall / F1 / mean IoU（IoU 阈值匹配），分类 micro-F1 与整图完全正确率。
  `train.monitor` 决定用哪个指标挑选 `best.pth`。

配置支持 `_base_` 继承与命令行 `--set a.b.c=value` 覆盖，见 [utils/config.py](utils/config.py)。
新增骨架 / 数据集只需用注册表装饰器注册，再在 yaml 里按 `name` 引用。

## 开发

```bash
uv run pytest         # 单元测试
uv run ruff check .   # 静态检查
```