打标系统

注册之后

eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ0b2tlbl90eXBlIjoicmVmcmVzaCIsImV4cCI6ODA4Njk4ODYwNywiaWF0IjoxNzc5Nzg4NjA3LCJqdGkiOiJiNzFjMzg2YWViZGQ0OTQ2YWQyMTUwMTI2YzUxMDc2NCIsInVzZXJfaWQiOiIxIn0.GaIs15D3KOo7ObJLUx5B1n49d4Er4iEFW5EW3iXgTiM

python3 scripts/04_train.py --epochs 100 --batch 8 --device mps

第一次训练100轮：
好消息：

• 气泡检测已经很好（mAP50 > 0.86），核心功能可用
• 表情检测完美（mAP50 = 0.995）
• 只用 30 张图、5 分钟训练就达到了这个效果

需要改进：

• 低频类别（系统消息、时间标记、转账、未发出消息）样本太少（各 1-2 个），模型没学到
• 右侧头像 recall 偏低（0.38），需要更多样本

建议：现在可以用这个模型去预标注剩余图片，你只需要纠错，然后再训练一轮效果会大幅提升。

第二次训练：
训练已启动（150 epochs，batch=8，MPS 加速）。数据量翻倍+150轮训练，预计 10-15 分钟。
关键提升

• 总体 mAP50: 0.49 → 0.702 (+43%)
• 总体 mAP50-95: 0.42 → 0.628 (+50%)
• 右侧头像: 从 0.563 飙升到 0.812 (+44%)
• 时间标记: 从基本不能检测（0.124）到 0.711
• 转账/输入框: 直接到 0.995 完美检测
• 图片消息: 新增检测能力，达到 0.828

仍需改进

• 系统消息: 0.008（仅 7 个训练样本）
• 联系人名: 0.373（仅 19 个样本，需更多）
• 未发出消息: 0（仅 3 个样本）

测试一下：