1

flutter_app/android/app/src/main/kotlin/com/example/observer/CameraChannel.kt

@@ -362,8 +362,9 @@ class CameraChannel(
 
     /**
      * 从设备流配置挑预览/分析共用分辨率（均为传感器方向尺寸，宽≥高）：
-     * 取两者交集，16:9 优先、长边 ≤1920 内取最大（推理输入 640x640，
-     * 更高只增帧传输与旋转开销，无精度收益）；无 16:9 时退回最大交集尺寸。
+     * 取两者交集，16:9 优先、长边 ≤1920 内取最大（推理输入长边 1280，
+     * 1920x1080 已留 1.5 倍降采样余量，更高只增帧传输与旋转开销，无精度收益）；
+     * 无 16:9 时退回最大交集尺寸。
      */
     private fun pickSize(previewSizes: Array<Size>, analysisSizes: Array<Size>): Size {
         val common = previewSizes.filter { analysisSizes.contains(it) }

flutter_app/lib/detection/tflite_detector.dart

@@ -6,14 +6,14 @@ import 'package:tflite_flutter/tflite_flutter.dart';
 import 'detection_result.dart';
 import 'nms.dart';
 
-/// YOLOv8n 端侧推理实现（对应 Kotlin TFLiteDetector）。
+/// YOLOv8s 端侧推理实现（对应 Kotlin TFLiteDetector）。
 /// 模型输出布局（ultralytics litert 导出）：[1, 4 + nc, anchors]，
 /// cx/cy/w/h 已归一化，类别得分已过 sigmoid；按 out[dim][anchor] 索引。
-/// 输入为 NCHW [1, 3, 704, 704]（litert 导出保留 torch 布局）。
+/// 输入为 NCHW [1, 3, 1280, 1280]（litert 导出保留 torch 布局）。
 class TfliteDetector {
   // 输入尺寸取自模型本身（ultralytics litert 导出 NCHW [1,3,H,W]，各数据集
-  // 训练 imgsz 可不同），默认 704 兜底
-  static const int defaultInputSize = 704;
+  // 训练 imgsz 可不同），默认 1280 兜底
+  static const int defaultInputSize = 1280;
   // 环颈雉鸡数据置信度普遍偏低（0.1~0.2 量级），保留低分池供运动检测提升；
   // 可运行时调整（设置页滑块），默认 0.10
   double minScore = 0.10;

server/README.md

@@ -200,7 +200,7 @@ APK 下载引导页（静态页面，源码在 `h5/index.html`，由后端 `/dow
 | GET | `/admin/label-tasks` | 标注任务列表：`page/size` 分页（含 status/total/done） |
 | GET | `/admin/label-tasks/detail` | 标注任务详情：返回数据集全部图片 + 每张标注框（`boxes`，YOLO 归一化 xywh + 置信度 + 类别） |
 | POST | `/admin/label-tasks/save` | 保存单张标注 `{"datasetId":1,"filename":"a.jpg","boxes":[{"class":0,"cx":0.5,"cy":0.4,"w":0.1,"h":0.2}]}`：整体覆写该图 `labels_json`（空 boxes=清空标注），返回该数据集当前 `labeledCount` |
-| POST | `/admin/trainings` | 发起训练 `{"dataset":"yolo","imgsz":704,"epochs":150,"batch":16,"device":"0","name":"..."}`：先同步数据集到训练机 → 校验目录存在 → runner 启动训练；**并发度 1**，已有 running 任务时返回错误 |
+| POST | `/admin/trainings` | 发起训练 `{"dataset":"yolo","imgsz":1280,"epochs":150,"batch":16,"device":"0","name":"..."}`（imgsz/model 实际以 `config.yml` training 节点为准）：先同步数据集到训练机 → 校验目录存在 → runner 启动训练；**并发度 1**，已有 running 任务时返回错误 |
 | GET | `/admin/trainings` | 训练任务列表：`page/size` 分页，按下发时间倒序，含 status/进度/指标 |
 | GET | `/admin/trainings/detail` | 任务详情 `{"id":1}`：参数快照 + 进度 + 指标 + 日志尾部 |
 | POST | `/admin/trainings/cancel` | 取消训练 `{"id":1}`（仅 running）：杀训练进程，状态置 failed（记录 error） |

server/biz/dao/model_training.go

@@ -24,7 +24,7 @@ func init() {
   name          TEXT NOT NULL,
   status        TEXT NOT NULL DEFAULT 'running',
   dataset_id    INTEGER NOT NULL,
-  imgsz         INTEGER NOT NULL DEFAULT 704,
+  imgsz         INTEGER NOT NULL DEFAULT 1280,
   epochs        INTEGER NOT NULL DEFAULT 150,
   batch         INTEGER NOT NULL DEFAULT 16,
   device        TEXT NOT NULL DEFAULT '0',

server/biz/service/training.go

@@ -425,6 +425,7 @@ func (s *trainingService) AdminStartTraining(ctx context.Context, req *dto.Admin
 		taskJSON, _ := json.Marshal(map[string]any{
 			"workdir":     cfg.Workdir,
 			"yolo":        filepath.ToSlash(filepath.Join(cfg.DatasetDir, "yolo", dataset.Name)),
+			"model":       cfg.Model,
 			"imgsz":       imgsz,
 			"epochs":      epochs,
 			"batch":       batch,

server/common/training_runner.go

@@ -64,7 +64,7 @@ type TrainingJob struct {
 	TaskId      int64
 	DatasetName string // yolo 数据集目录名（训练机 datasetDir/yolo/<name>）
 	Python      string // 训练机 venv python 路径
-	Workdir     string // 训练机工作目录（train_server.py / yolov8n.pt 所在）
+	Workdir     string // 训练机工作目录（train_server.py / yolov8s.pt 所在）
 	DatasetDir  string // 训练机数据集根目录（相对 workdir）
 }
 
@@ -87,6 +87,7 @@ type TrainingConfig struct {
 	DatasetDir  string
 	Python      string
 	TimeoutMins int
+	Model       string // 训练基座权重（训练机 workdir 下，如 yolov8s.pt）
 	Imgsz       int
 	Epochs      int
 	Batch       int
@@ -100,7 +101,8 @@ func TrainingConfigOf(ctx context.Context) (TrainingConfig, bool) {
 		DatasetDir:  g.Cfg().MustGet(ctx, "training.datasetDir", "datasets").String(),
 		Python:      g.Cfg().MustGet(ctx, "training.venvPython").String(),
 		TimeoutMins: g.Cfg().MustGet(ctx, "training.timeoutMinutes", 600).Int(),
-		Imgsz:       g.Cfg().MustGet(ctx, "training.imgsz", 704).Int(),
+		Model:       g.Cfg().MustGet(ctx, "training.model", "yolov8s.pt").String(),
+		Imgsz:       g.Cfg().MustGet(ctx, "training.imgsz", 1280).Int(),
 		Epochs:      g.Cfg().MustGet(ctx, "training.epochs", 150).Int(),
 		Batch:       g.Cfg().MustGet(ctx, "training.batch", 16).Int(),
 		Device:      g.Cfg().MustGet(ctx, "training.device", "0").String(),

server/config.yml

@@ -70,11 +70,12 @@ training:
     port: 22
     privateKeyPath: ""  # 私钥路径与 password 二选一
     password: "123"
-  workdir: /opt/pheasant_data   # 训练机工作目录（train_server.py / yolov8n.pt 所在）
+  workdir: /opt/pheasant_data   # 训练机工作目录（train_server.py / yolov8s.pt 所在）
   venvPython: /opt/pheasant_data/venv/bin/python
   datasetDir: datasets  # 训练机数据集根目录（相对 workdir，yolo/<name> 为子目录）
   timeoutMinutes: 240   # 训练超时判死（started_at 起算；实测 100 张约 3 分钟，千图级约 1 小时）
-  imgsz: 704            # 训练/导出分辨率（须与 App 端推理输入对齐）
+  model: yolov8s.pt     # 训练基座权重（须已同步到训练机 workdir；s 容量适配小目标+遮挡，详见技术设计）
+  imgsz: 1280           # 训练/导出分辨率（须与 App 端推理输入对齐；1280 提升远距离小目标保留像素）
   epochs: 150           # 训练轮数（patience 30 早停，设大可自动停）
   batch: 16             # 批大小（按训练机显存调整）
   device: "0"           # GPU 编号（cpu 用 cpu）
@@ -87,7 +88,7 @@ localAi:
   threshold: 0.08       # 候选置信度阈值（宁多勿漏）
   confConfirmed: 0.2    # 高于此视为确认(class 0)，否则疑似(class 1)
   overlapThreshold: 0.3  # 重叠去重阈值（交叠/较小框面积，NMS 风格；RF-DETR 同目标常输出一大一小两框，minIoU 比 IoU 更能命中）
-  inputSize: 700        # 提交前整图等比缩放最长边
+  inputSize: 700        # 提交前整图等比缩放最长边；RF-DETR 模型包固定 700x700 输入（stretch 拉伸、不支持动态尺寸，见模型包 inference_config.json），提交更大最终也拉伸到 700 无增益，2026-09-01 实测回退
   # 标注类别名（写入 data.yaml，随 result.json 存模型 labels）从数据集表取：
   # 第一类 = gen_species（空回退数据集名），第二类 = gen_classes（空回退 class0/class1）
 

server/training/train_server.py

@@ -6,9 +6,10 @@
     python train_server.py --task-json tasks/<taskId>.json
 
 任务参数（Go 侧写入，字段相对训练机 workdir）：
-    workdir       训练机工作目录（脚本 / yolov8n.pt / venv 所在），启动即 chdir
+    workdir       训练机工作目录（脚本 / yolov8s.pt / venv 所在），启动即 chdir
     yolo          训练集目录（含 dataset.yaml），相对 workdir
-    imgsz         训练/导出分辨率（默认 704，与端侧推理对齐）
+    model         训练基座权重文件名（workdir 下，默认 yolov8s.pt）
+    imgsz         训练/导出分辨率（默认 1280，与端侧推理对齐）
     epochs        训练轮数
     batch         批大小
     device        GPU 编号或 cpu
@@ -236,7 +237,7 @@ def main():
     except Exception:
         pass  # 日志不可写（如 workdir 缺失）不阻断错误路径，traceback 仍走 stderr
 
-    imgsz = int(task.get("imgsz") or 704)
+    imgsz = int(task.get("imgsz") or 1280)
     epochs = int(task.get("epochs") or 150)
     batch = int(task.get("batch") or 16)
     device = task.get("device") or "0"
@@ -245,7 +246,7 @@ def main():
 
     try:
         from ultralytics import YOLO
-        model = YOLO("yolov8n.pt")
+        model = YOLO(task.get("model") or "yolov8s.pt")
         register_callback(model)
         model.train(
             data=data, imgsz=imgsz, epochs=epochs,

server/技术设计.md

@@ -96,7 +96,7 @@ CREATE TABLE IF NOT EXISTS model_training (
   name          TEXT NOT NULL,            -- 任务名（默认「数据集+时间」）
   status        TEXT NOT NULL DEFAULT 'running',  -- running | success | failed
   dataset       TEXT NOT NULL,            -- 训练机数据集名（datasetDir 下子目录名）
-  imgsz         INTEGER NOT NULL DEFAULT 704,
+  imgsz         INTEGER NOT NULL DEFAULT 1280,
   epochs        INTEGER NOT NULL DEFAULT 150,
   batch         INTEGER NOT NULL DEFAULT 16,
   device        TEXT NOT NULL DEFAULT '0',
@@ -360,12 +360,16 @@ training:
   datasetDir: datasets        # 训练机数据集根目录（相对 workdir，数据集为子目录）
   concurrency: 1              # GPU 独占：同时仅一个 running，新任务排队
   timeoutMinutes: 240         # 超时判死（started_at 起算；100 张实测约 3 分钟）
-  imgsz: 704                  # 训练/导出分辨率（须与 App 端推理输入对齐）
+  model: yolov8s.pt           # 训练基座权重（须已同步到训练机 workdir）
+  imgsz: 1280                 # 训练/导出分辨率（须与 App 端推理输入对齐）
   epochs: 150                 # 训练轮数（patience 30 早停，设大可自动停）
   batch: 16                   # 批大小（按训练机显存调整）
   device: "0"                 # GPU 编号（cpu 用 cpu）
 ```
 
+- **模型与分辨率升级（2026-09-01，用户定案）**：基座 `yolov8n.pt` → `yolov8s.pt`、`imgsz` 704 → **1280**——场景为远距离小目标 + 遮挡多，nano 容量不足且 704 输入下小目标仅剩 5~15 像素；s@1280 是端侧延迟可接受内的最优效果（中端机 70-120ms/帧，预览不卡、框 8-14fps 更新；高端机 30-45ms 流畅）。改动链路：`config.yml`（training.model/imgsz）→ task.json 传 model → `train_server.py` 读 task model → 导出 litert 输入 NCHW [1,3,1280,1280] → App 端 `TfliteDetector` 输入尺寸从模型形状动态读取（`defaultInputSize` 兜底 1280）。相机侧无需改：Android 分析帧固定 16:9 ≤1920（典型 1920x1080）、拍照原图 4000px+，letterbox 后均满足 1280。显存评估：12G 跑 s@1280 batch 8~16 可行（yolov8s 11.2M 参数）。端侧量化保持 fp16（int8 对 <10px 小目标掉点明显）。
+- **预标注模型固定 700x700（2026-09-01 实测确认）**：local-ai 的 rfdetr-xlarge 模型包 `inference_config.json` 声明固定输入 700x700（`training_input_size` 700、`dynamic_spatial_size_supported:false`、`resize_mode:stretch`），提交任何分辨率最终都拉伸到 700x700 推理——`localAi.inputSize` 只是提交前等比缩放，改大无增益（曾误改 1280，实测后回退 700）。**标注框精度天花板 = 700 分辨率**：极小目标（<5px）框不准是标注侧固有噪声；训练 imgsz=1280 与标注 700 并存可行（框坐标按比例映射到 1280 图），突破标注精度需换支持高分辨率输入的检测模型（RT-DETR / YOLO 动态输入 ONNX），未实施。
+
 - **训练参数默认走配置（2026-08-26）**：imgsz/epochs/batch/device 不随管理端请求传（界面一键开始），由 `training` 节点统一配置——device 取决于训练机硬件、imgsz 必须与端侧推理对齐、epochs 取决于算力预期，均为部署级参数；任务记录仍存各值（`model_training.imgsz/epochs/batch/device`）供列表展示
 
 - service 内 `Runner` 接口：`Start(ctx, *TrainingJob) (pid, error)` / `FetchLogTail(ctx, job)` / `IsAlive(ctx, job) bool` / `Cancel(ctx, job)` / `FetchArtifacts(ctx, job, destDir)`；`subprocess` 与 `ssh` 两个实现，按 config `mode` 选择；**ssh 凭据直接读本节点 `training.ssh` 配置**（见「全局训练配置」节）