模型评价、部署与 PnP 影响

训练完成不等于视觉模块完成。一个模型只有在目标硬件、真实预处理和完整后处理下稳定输出，并且让 PnP 得到足够准确的位姿，才真正进入了自瞄系统。相机、镜头、曝光和标定怎样共同决定角点上限，参见相机选型与观测精度；本节继续讨论怎样用下游结果评价模型和部署链路。

1. 评价指标要对应下游任务

平均 5 ms、偶尔 40 ms 的系统，和每帧稳定 7 ms 的系统对预测器影响不同。因此延迟分布比单个平均 FPS 更有意义。

PnP 使用四个二维角点恢复装甲板的旋转和平移。角点误差会同时影响距离、方向和装甲板朝向。

对于焦距约为 fx 的相机，水平方向一个像素的误差对应近似角误差：

Δθ ≈ Δu / fx

例如 fx = 1000 px 时，1 px 大约对应 1 mrad。距离越远，同样的角误差对应越大的横向位置误差。

如果用装甲板投影宽度粗略理解深度：

Z ≈ f · W / w

其中 W 是真实宽度，w 是图像中的像素宽度。对它求微分可以得到：

ΔZ / Z ≈ -Δw / w

当远距离装甲板在图像里只有几十个像素宽时，一两个像素的宽度误差会占据更大比例。因此远距离角点精度通常比近距离更敏感。

角点围绕真实位置随机变化，会让 PnP 位姿产生高频噪声。滤波器可以削弱一部分噪声，但会增加滞后，并且不能恢复已经丢失的几何信息。

如果网络总把发光区域的外边缘当成角点，而物理模型使用灯条中心线，角点会在所有帧中朝同一方向偏移。滤波器会把稳定偏差当成真实观测，最终形成稳定但错误的距离或朝向。

一旦左上、左下或左右两侧交换，PnP 的对应关系被破坏，结果可能瞬间翻转。后处理需要统一语义顺序，并对面积、凸性、边长和重投影误差进行检查。

视觉模型应在像素空间和物理空间同时评价。可以建立以下验证闭环：

测试图像
  → 模型关键点
  → PnP 位姿
  → 与标注或模拟器真值比较
  → 按距离、角度、光照和运动状态分组统计

建议至少输出这些曲线：

如果高置信度样本仍有较大角点误差，说明模型置信度不能直接代表几何可靠性，需要重新设计训练目标、数据或下游观测噪声模型。

训练框架通常按 RGB 读取图像，OpenCV 默认是 BGR。颜色顺序错误时，网络仍能输出数值，但颜色分类和特征分布会明显变化。

模型输入可能是等比例缩放后补边的 640 × 640 图像。输出关键点需要先去掉 padding，再除以缩放比例，最后加回 ROI 偏移。直接按原图宽高分别缩放会产生位置相关的系统误差。

检查输入范围是 [0, 1] 还是 [0, 255]，排列是 NCHW 还是 NHWC，数据类型是 FP32、FP16 还是 INT8。

不同 YOLO 版本的输出维度、是否内置 sigmoid、类别分数计算方式、关键点排列和 NMS 位置都可能不同。替换模型时必须同时更新后处理契约。

异步流水线中，模型输出必须带回对应输入帧的时间戳。把最新云台姿态和几帧之前的图像结果直接组合，会产生难以通过视觉指标发现的动态偏差。

每次测试不要只保存“识别成功”的截图。更有价值的是自动记录：

将错误样本重新标注并加入下一轮训练，才会形成真正的数据闭环。模拟器可以快速生成姿态和距离分布明确的样本，真实相机数据负责补充传感器噪声、曝光、镜头和场地差异。训练集需要同时保留两种来源，并在测试报告中分开统计。