# 视野后端配置
server:
  address: ":18080"
  openapiPath: "/api.json"
  # 请求体上限（默认 8MB）：APK 上传（管理端下发新版本）可能数百 MB，必须放大
  clientMaxBodySize: "512mb"

database:
  default:
    type: sqlite
    # SQLite 数据文件(运行时数据,不提交 git)
    link: "sqlite::@file(./data/observer.db)"
  cache:
    # 查询缓存 TTL(秒)
    ttl: 30

auth:
  # 登录 token 签名密钥（HMAC-SHA256，必填）：换值即全员下线
  secret: "changeme-auth-secret"
  # 登录 token 有效期（秒），默认 30 天
  tokenTtl: 2592000

admin:
  # 后台管理端静态 token：请求头 X-Admin-Token 必须匹配；为空时管理接口全部拒绝
  token: "Tongli686^*^"

app:
  # Android APK 上传目录（运行时数据，与 ./data 平级、docker-compose 挂载持久化；
  # 目录下永远只保留最新一个文件 observer-latest.apk，下载地址固定 /download/observer-latest.apk）
  apkDir: "./workspace"
  # 模型训练体系运行时数据根目录（图片/标注/模型/训练产物；与 apkDir 同目录时共用 workspace）
  datasetDir: "./workspace"

# 图像生成（管理端「AI 生成图片」）：provider 必填项缺失时生成接口返回「图像生成服务未配置」
imageGen:
  provider: localai     # dashscope | localai
  baseUrl: "http://192.168.3.210:18080"  # localai 必填：本机 local-ai 地址（/v1/images/generations）
  model: z-image-turbo   # localai 上加载的模型名；dashscope 用 qwen-image-3.0
  apiKey: ""            # dashscope 必填：DashScope API Key
  poolSize: 1           # 生成任务并发度（z-image 显存独占，默认 1）
  # 通用提示词模板：{species} 取数据集 gen_species（单值，空回退数据集名）；{count} 为数量词
  # （固定 "1只"，每张仅 1 个目标；原表单数量选择已取消）；{scene}/{action}/{light} 池内随机
  # （scene/action/occlusion 从数据集表 gen_scenes/gen_actions/gen_occlusions 池随机，无 config 兜底；
  # gen_scenes 条目兼容捆绑组对象 {scene,weight,actions,occlusions,position}——选中时动作/遮挡组内联动，
  # position 覆盖默认位置锚（树栖场景须把目标锚到枝头，默认地平线锚只适合地面/水面），
  # 见技术设计.md「场景捆绑组+权重」，斑鸠 80% 树上场景即此机制）；
  # {tone} 取数据集表 gen_tone（默认深色，白化个体配浅色）；{sizeHint} 按数据集表 gen_heights 站高与
  # 表单距离算出像素高，按画面占比分级尺寸词（像素数与固定物体类比词均不通用，2026-08-31）+ 占比。物种只写名字
  # 不写羽毛细节（细节会把镜头拉近，详见技术设计）。引导语「手机原相机主摄不变焦」（2026-08-31 v4 定案）：
  # 与 13px 像素数学完全自洽（公式即按主摄 vfov 52° 计算）；手机拍远处目标天然显小（先验同向）；
  # 顺带对齐推理端域（App 就是手机拍摄）。演进：广角（前景大主体先验）→ 长焦（物理放大）→ 全删 → 手机主摄不变焦。
  # 拍摄角度描述（仰/俯/平）仍不带；位置锚 {position}（默认「在{distanceWord}的地平线附近」，地平线=远景场景锚点，
  # 适合地面/水面；捆绑组 position 可覆盖为枝头/树冠锚——2026-09-04，树栖目标锚在地平线上语义落地）；
  # 动作/遮挡在普通模板中位于目标之后（动作=叙事焦点=视觉焦点，降级处理）
  promptTemplate: "野外大远景实拍：手机原相机主摄不变焦，{scene}，{position}有且仅有{count}{species}{sizeHint}，{occlusion}，{species}在{action}，只是很小的{tone}轮廓，隐约可辨，画面绝大部分是{scene}，没有任何靠近镜头的动物，{light}，写实野外摄影，真实照片质感"
  # 远景小目标模板（代码按尺寸占比 <2% 切换）：目标小到动作/遮挡/性别细节无法呈现，保留细节描写会
  # 迫使模型把目标画大（2026-08-31 实测两次失败后定案）——只留「远到看不清任何细节的小点」
  promptTemplateTiny: "野外大远景实拍：手机原相机主摄不变焦，{scene}，{position}有且仅有{count}{species}{sizeHint}，远到看不清任何细节，只是隐约可辨的{tone}小点，画面绝大部分是{scene}，没有任何靠近镜头的动物，{light}，写实野外摄影，真实照片质感"
  lights: [清晨柔和阳光, 正午明亮天光, 傍晚金色斜阳, 阴天柔和散射光]
  # 负样本生成（技术设计.md「负样本库」）：场景池按「三物种各自易被误认的形状/机理」系统穷举
  # （细长轮廓→雉鸡 / 圆拱形→野兔 / 高处停息悬挂→斑鸠 + 室内/户外空镜），模板与正样本同相机词
  # 同质感词、不含任何目标词；{scene} 按序循环取池（保证每个短语均匀覆盖）。
  # 混淆动物单独模板——否定句只排除目标物种（图里的猫狗麻雀正是要教的"非目标"）。
  # 生成后自动过 RF-DETR 全图检测，有检出即剔除不入库（空检合格才进负样本库）
  negativePromptTemplate: "写实摄影：手机原相机主摄不变焦，{scene}，光线自然，画面中没有任何动物、飞鸟和人物，真实照片质感"
  negativeScenes: [
    靠墙立着的扫把和拖把, 门口的门框与墙角线, 桌角与椅腿的斜线构图, 靠墙的雨伞和登山杖,
    花园里斜插的竹竿和植物支架, 生锈的铁栅栏立柱, 盘绕在地面上的花园水管, 靠墙放着的铝梯,
    晾衣杆上挂着一排衣架的剪影, 斜靠在树干上的长树枝, 篮球架的立柱与篮筐, 路边的电线杆与斜拉钢缆,
    路边圆圆的石头和土块, 老树桩与盘结的树根, 装满东西的麻袋编织袋, 门口系好的垃圾袋,
    成排摆放的花盆与陶罐, 沙发上摞着的靠垫抱枕, 草地上的干草垛, 屋顶堆放的旧瓦片,
    地上放着的双肩包, 花园角落的堆肥堆, 电线上的绝缘子和一串小灯泡, 缠挂在电线上的旧风筝,
    屋檐下挂着的灯笼和玉米串, 挂满柿子的果树梢, 建筑外墙的空调外机与管线, 树枝上成簇的松果,
    悬在树杈间的大草团, 路灯灯头与监控探头, 阳台上悬挂的衣物, 树杈间卡着的塑料袋,
    客厅一角布艺沙发与茶几, 卧室床铺与床头柜, 厨房台面灶具与悬挂的锅铲, 卫生间瓷砖与毛巾架,
    书桌电脑键盘与零散杂物, 车库里堆放的纸箱工具和靠墙的自行车, 楼道里的消防栓与管道,
    阳台栏杆与洗衣盆, 餐厅餐桌餐椅与吊灯, 空旷的开阔草地, 茂密的灌丛坡地,
    林地边缘的树木与草地交界, 积雪覆盖的开阔旷野, 河边大片卵石滩, 收割后的农田田埂,
    茂密的芦苇丛, 城市人行道与斑马线, 露天停车场的车辆间距, 公园步道与路边长椅
  ]
  negativeHumanPromptTemplate: "写实摄影：手机原相机主摄不变焦，{scene}，光线自然，画面中没有雉鸡、野兔和斑鸠，真实照片质感"
  # 人物/衣物池（2026-09-07 用户定案）：人与服饰永远不会是识别目标，可安全进统一负样本；
  # 动物（猫/狗/鸽子等）不进统一负样本——它们将来可能训练成正式识别目标，公共负样本会压杀自家模型。
  # 此类带主体图不参与空检剔除（RF-DETR 检出人是预期，无法按物种甄别），靠提示词保证不含目标物种
  negativeHumans: [
    远处田间弯腰劳作的农民, 公园小路上散步的行人, 石子路上迎面走来的游客, 蹲在田埂上休息的人,
    骑电动车驶过乡间道路的人, 树丛边缘经过的穿迷彩服的人, 挂在晾衣绳上的外套和花色衣物,
    阳台栏杆上晾晒的被褥和衣物, 坐在长椅上穿深色外套的人的背影, 草地远处玩耍的孩童身影
  ]
  # 目标尺寸提示（sizeHint）：按「体高 × focalPx ÷ 表单距离」算出目标在图中的像素高与占比，
  # 注入模板 {sizeHint}——把「厘米」换算成「米」再参与投影公式；focalPx = 图高/2 ÷ tan(vfov/2)；
  # 站高取数据集表 gen_heights（创建数据集时 VLM 生成，界面不维护，代码/配置不硬编码）
  assumedVfovDeg: 52          # 镜头垂直视场角(度)，固定为手机默认主摄（2026-08-28 用户定案；
                              # 曾随机 [15,90]、曾试超广角 90，均已否决）

# 训练通道（并发度 1：GPU 独占，同时仅一个 running 任务——2026-09-03 起忙时新任务落 queued 排队，
# 轮询在 running 结束后自动按创建顺序晋级启动，一次一个）：
# mode=subprocess 训练机与服务器同机；mode=ssh 异机（训练脚本/数据集经 ssh 通道同步）
training:
  mode: subprocess      # subprocess | ssh（2026-09-09 本机 M1 训练：subprocess；正式训练机切回 ssh）
  ssh:
#    host: "192.168.3.210"            # 训练机地址（mode=ssh 必填）
    host: "192.168.3.210"
    user: "root"
    port: 22
    privateKeyPath: ""  # 私钥路径与 password 二选一
    password: "123"
  workdir: /Users/zhangbin/yolo-workdir   # 训练机工作目录（train_server.py / yolov8s.pt / yolov8n.pt 所在）
  venvPython: /Users/zhangbin/yolo-venv/bin/python
  datasetDir: datasets  # 训练机数据集根目录（相对 workdir，yolo/<name> 为子目录）
  timeoutMinutes: 0     # 训练超时判死（started_at 起算；0 = 不限时，2026-09-10 用户定案训练时长不受限。存活探测失败仍按进程退出判死）
  # 双档位（2026-09-03 用户定案）：s 档(高识别,默认)与 n 档(高性能)各自基座/分辨率；
  # 一次「开始训练」按档位各建一条任务（请求 variants 可限定单档）；epochs/batch/device 双档共用。
  # n 档未配置（modelN/imgszN 缺一）时发起含 n 档的请求报错
  model: yolov8s.pt     # s 档训练基座权重（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           # s 档训练/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）
  modelN: yolov8n.pt    # n 档(高性能)训练基座权重（须已同步到训练机 workdir）
  imgszN: 704           # n 档训练/导出分辨率（704² 端侧计算量约 s@1280 的 1/8，速度优先）
  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: "mps"         # GPU 编号（cpu 用 cpu；M1 本机用 mps，训练机切回时改回 "0"）

# RF-DETR 预标注服务（管理端标注工作台）：需从服务器可达，未配置时预标注接口返回「标注服务未配置」
# 2026-09-10 本机架构：检测=local-ai(18082, rfdetr-xlarge)；VLM=omlx(18081, 多模态 MLX 模型)
localAi:
  baseUrl: "http://127.0.0.1:18082"               # local-ai（/v1/detection，LaunchAgent 自启 ~/localai/start.sh）
  model: rfdetr-xlarge
  vlmBaseUrl: "http://127.0.0.1:18081"            # omlx（OpenAI 兼容 /v1/chat/completions；空则回落 baseUrl）
  vlmApiKey: "wenwu901"                           # omlx api_key（~/.omlx/settings.json auth 节点）
  vlmModel: Qwen3.5-9B-MLX-4bit  # VLM 模型（omlx 多模态 MLX 4bit；备选 gemma-4-E4B-mlx-4bit，空闲 10 分钟自动卸载）
  threshold: 0.2        # 候选置信度下限：0.2 以下直接丢弃（不入库）；0.08 实测过低——COCO 通用 rfdetr 对类鸟纹理在 0.08~0.2 区间输出大量噪声候选
  confConfirmed: 0.5    # 置信度 ≥ 0.5 视为确认(class 0 真目标)；0.2~0.49 落疑似(class 1)待人工复核（2026-09-02 RNPHE_257 实测调定：误检可达 0.46~0.5 且与真目标仅差 ~0.1，误检落 class 0 会污染训练正样本）
  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；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
  # 预标注四级漏斗（技术设计.md「预标注四级漏斗」）：全图扫描空检 → 切片扫描 → VLM 提议候选区精修，键见下
  tileThreshold: 0.12   # 切片级候选置信度下限：小目标（切片后 ~40px）置信度天然偏低，量级取 RF-DETR-S 实测经验；低于全图 threshold 的候选仍入库落疑似(class 1)待人工复核，宁多勿漏
  tileSize: 1024        # 切片块长边（原图像素）：缩至 inputSize 后约 0.68 倍，画面高 2% 的目标（~64px）保住 ~44px 可检，全图直缩只剩 ~15px；块过小则滑窗块数爆炸，1024 为精度/块数平衡
  tileOverlap: 0.25     # 相邻块重叠比：跨块目标不因切缝丢失；跨块重复检出由 overlapThreshold（minIoU）去重
  # 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）

labelTask:
  # 预标注并发度（逐张调 RF-DETR，缺失或非法时回退默认值）
  poolSize: 4

annotateReward:
  # 标注众包时长激励（技术设计.md「App 标注众包与时长激励」；缺失/非法回退 consts 默认值）
  claimSize: 10          # 每次领取图片数
  claimTimeoutHour: 2    # 领取锁超时（pending 超时未提交视为放弃，领取时惰性释放）
  rewardPerImages: 10    # 每累计提交 N 张发一次时长
  rewardMinutes: 30      # 每次发放分钟数（license 到期时间分钟级顺延）
  dailyCapMinutes: 120   # 每日发放上限（自然日）
  freezeRatio: 0.8       # 通过比例（approved/(approved+rejected)）低于该值触发冻结
  freezeMinReviewed: 5   # 触发冻结判定的最小已审核样本数（防小样本误冻）
  freezeHours: 24        # 冻结时长（license.annotate_frozen_until 时间戳对比自动解冻，基线重置后统计重新累计）

# 套餐定价（静态配置，改价 = 改本节点后重启服务；金额单位为分，展示名由 days 派生"N天"）
plans:
  - id: day
    days: 1
    price_cents: 1000
  - id: week
    days: 7
    price_cents: 5600
  - id: month
    days: 30
    price_cents: 18000

payment:
  # 回调验签/IO 处理并发度(缺失或非法时回退默认值)
  poolSize: 16
  wechat:
    # 微信支付 APP 支付(APIv3),商户号未配置时接口返回「支付未配置」
    appid: ""            # 开放平台 AppID
    mchid: ""            # 商户号
    apiV3Key: ""         # APIv3 密钥
    serialNo: ""         # 商户证书序列号
    privateKey: ""       # 商户 API 私钥文件路径(PEM)
    notifyUrl: ""        # 回调地址,如 https://api.example.com/api/v1/payment/wechat/notify
  alipay:
    # 支付宝 APP 支付,未配置时接口返回「支付未配置」
    appid: ""            # 开放平台 AppID
    privateKey: ""       # 应用私钥文件路径(PEM)
    alipayPublicKey: ""  # 支付宝公钥文件路径(PEM)
    sellerId: ""         # 收款方 PID(回调校验 app_id/seller_id 用)
    notifyUrl: ""        # 回调地址,如 https://api.example.com/api/v1/payment/alipay/notify