Phase 2：训练与数据（解决近/远漏检）

用大白话说：这一页帮你搞懂——为什么你的系统会"近处的人认得出、高空无人机拍的人老误认/漏掉"，以及怎么靠"加数据、调训练"把它治好。

目标：你之前问的「近景人 + 高空无人机人混在一个 person 类，导致高空误检/漏检」——根因在数据与训练，这一阶解决它。数据决定上限。

一、先诊断：拆开评测（不花钱）

别只看总 mAP（说人话：综合准度分，越高越准）——总指标会掩盖「高空误检爆炸、召回掉」。

先认词：AP（说人话：某一类认得准不准）；召回（说人话：该认的，认出了多少）；FPPI（说人话：平均每帧误认了几次，越低越好）。

• 把验证集按 近景 / 高空 分成两份，分别算 AP 和 误检率（FPPI）。
• 用数字算清楚，你才知道往哪用力：是高空召回低？还是高空误检高？

二、优化手段（按收益排序）

2.1 数据层（最有效）

• 难负样本（说人话：专门找一批"长得像人其实不是人"的图，教模型"这不是人"）：专门收集/标注一批「高空非人」图（车顶、屋顶、阴影、杂物）作 background 硬负样本。压误检最直接——让模型学「高空里什么不是人」。
• 尺度抖动训练（multi-scale）（说人话：训练时把同一个人随机放大缩小，逼模型别只看大小认人）：让同一个人以各种尺寸出现，逼模型不依赖绝对大小。
• cut-paste 增强（说人话：把人抠出来，贴到高空背景里，低成本造"高空也有人"的样本）：把人抠出来贴到高空背景的合适尺度上，低成本造高空正样本。

2.2 标签 / 结构层

• 拆子类训练（说人话：训练时把 person 拆成"近景人/高空人"两个班，各学各的，最后再合并）：训练时把 person 拆成 person_near / person_aerial，各学各的特征，推理时再合并回 person。模型不再被迫用一套权重拟合两个域。
• 双模型路由（说人话：近景用一个检测器、高空用小目标专家，按场景切换）：近景检测器 + 高空小目标专家，按高度/场景切换。对 VisDrone 这类，专门的高空小目标检测器往往比通吃模型准得多。

2.3 训练配置

• anchor / box 先验覆盖小目标（说人话：模型猜框时参考的"默认框尺寸"，要覆盖高空小人的尺寸）：确认 anchor 尺寸包含高空人的 tiny 尺度，否则再多发病也匹配不上。
• Focal Loss（说人话：一种损失函数，专门盯住难认的样本多算账）：聚焦难样本（高空小目标正是难样本）。
• Repeat Factor Sampling（说人话：对很少见的高空类多采样几次，平衡数据，LVIS 那套）：对高空少数类过采样，平衡占比。

2.4 推理 / 部署层（不改训练就能缓解）

• 时序一致性投票（说人话：视频是连续的，真人在好几帧都在、误检只闪一帧，用多帧投票把闪的去掉）：高空流是视频，误检通常单帧闪烁、真人跨帧持续 → 用 tracklet（说人话：把同一目标在连续帧里连成的一条轨迹） / 多帧投票滤掉瞬态误检。
• 尺寸 / 长宽比过滤：高空人有点状统计特征，按高度设最小尺寸、长宽比门槛。
• 按高度动态阈值：知道是高空就把 conf（说人话：模型对自己认出来的把握）调高，专门压误检。
• 二阶段再分类（说人话：先出候选框，再用一个小分类器看"这到底是不是人"）：先出候选框，再用专训的高空「人 vs 非人」小分类器过一遍 crop。

三、落到你的建议（优先级）

拆评测 → 加高空难负样本 + cut-paste → 拆 person 子类或训高空专家 → 推理端时序投票 + 动态阈值。近景数据别删（保近景精度），关键是把「高空非人」补进负样本、给高空人足够代表权重。

四、指标与实验追踪（岗位基本功）

• 必懂指标：AP / mAP / 召回 / FPPI / PR 曲线（说人话：看"准"和"全"之间怎么取舍的曲线） / 混淆矩阵（说人话：一张表，记清"谁被认成了谁"）；分域评测（说人话：把近景和高空分开打分）。
• 实验追踪：wandb / mlflow（说人话：记实验用的本子）记每次实验的超参 + 指标，不然改了一堆不知道哪个有用。

五、🔧 Phase 2 验收

• 输出一份「近景 vs 高空」分域评测表（AP、FPPI）。
• 加难负样本 / cut-paste 后，高空召回或误检有可量化的改善对比。
• 能讲清 Focal Loss 在解决什么、为什么对你的小目标有用。

下一步：Phase 3 部署深挖。