# 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：训练机 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
  timeoutSeconds: 600   # 每张生成超时（默认 120；z-image-turbo 首次加载含模型入显存，稳态秒级~分钟级）
  # 通用提示词模板（管理端填「动物名称」时启用，每张随机取池组装）：{species} 优先用表单填写的名称，
  # 未填则按数据集名取 speciesByDataset 池（再未配置直接用数据集名）；{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；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）。不带拍摄角度描述（2026-08-28）：角度描述会与目标位置耦合，
  # 仰拍使贴地目标沉底、固定俯拍构图单一——交由模型平视先验自由构图，目标自然落在中部/上部
  promptTemplate: "野外大远景实拍：广角镜头下{scene}，{distanceWord}有且仅有{count}{species}的小小身影{sizeHint}在{action}，{species}离镜头很远，只是很小的深色轮廓，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"
  speciesByDataset:            # 数据集名 → 物种池（表单未填动物名称时随机取一个）
    鸽子: [家鸽,火斑鸠,虎纹斑鸠,珠颈斑鸠,灰斑鸠]
    雉鸡: [雉鸡]
    兔子: [兔子]
    鸭子: [野鸭]
    鹌鹑: [鹌鹑]
  scenes:                      # 环境场景池（统一远景原则：每条含开阔/延伸向远方/地平线元素，
                               # 把地平线推开、消除近拍暗示；同一短语在模板中出现两次，须两处都读得通）
    - "一望无际的玉米地，玉米秆两米多高，田间土路和田埂延伸向地平线"
    - "一望无际的金黄麦茬田，收割后一直铺到地平线"
    - "乡村土路穿过广阔的农田伸向远方，路边杂草丛生"
    - "广阔的农田和道路延伸向远方，一根细电线横贯画面远处"
    - "广阔田野间一棵高大的树，四周的农田一直延伸到地平线"
    - "村边开阔的打谷场延伸向远方，尽头是零星的农舍"
    - "收割后的稻茬田一望无际，铺向远处的村庄"
    - "果树成行的果园延伸向远方，树下是剪短的草地"
    - "开阔的沙石滩地和蜿蜒的乡间水渠延伸向远处的田野"
    - "长满枯黄荒草的田埂和弃耕地延伸向远方"
  actions: [觅食, 走动啄食, 低头啄食, 踱步, 停落休憩]
  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]
  sceneByDataset:            # 数据集名 → 场景池（按动物习性配置，未配置的数据集回退通用 scenes；
                             # 每条仍含「延伸向远方」元素，且同一短语在模板中出现两次须两处都读得通）
    雉鸡:
      - "田边茂密的草丛和矮灌丛连绵延伸到远方"
      - "荒草坡和灌木丛连成一片，一直铺向远处地平线"
      - "收割后的农田边缘杂草丛生，矮灌丛点缀延伸到远方"
    兔子:
      - "枯黄的草坡和荒草地一直延伸到远方"
      - "弃耕地和田埂长满野草，延伸向远处的林地"
      - "草丛和矮灌丛交错的荒地，向远处延展"
    鸭子:
      - "宽阔的池塘水面延伸到远方，岸边芦苇丛生"
      - "水田和浅滩连成一片，水面延伸到远处"
      - "河湖水面平展到远方，岸边是泥滩和杂草"
    鱼:
      - "清澈的池塘水面下，水草和沙底延伸到远处"
      - "河流浅滩水域，水底砂石和水草延伸到远方"
      - "湖水清澈见底，水下的景色延伸到远处"
    鹌鹑:
      - "茂密草丛的田野，草层延伸到远方"
      - "稻茬田边草丛和荒地相连，延伸向远处"
  actionByDataset:           # 数据集名 → 动作池（按动物习性；动作词不得以「在/于」开头，模板为「在{action}」）
    雉鸡: [低头啄食, 草丛中觅食, 踱步, 停歇理羽, 警觉张望]
    兔子: [低头啃食草叶, 警觉地竖起耳朵, 小步跳跃前行, 蹲坐不动, 啃食草叶]
    鸭子: [缓缓游动于水面, 低头潜入水中觅食, 水面梳理羽毛, 缓慢划水前行, 岸边泥滩觅食]
    鱼: [缓慢游动, 贴着水底游动, 水草丛间穿行, 静止悬浮, 缓慢觅食]
    鹌鹑: [低头啄食, 草丛间觅食, 小步疾走, 停歇不动]
  # 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)
  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）；体高按物种查 speciesHeights
  speciesHeights:             # 物种站高(厘米，垂直尺度：鸟=脚底到头顶、兽=蹲坐高度、鱼=背到腹)；
                              # 与「高度」像素描述及检测框高(≈站高)自洽，勿用体长（体长是水平尺度）；
                              # 未配置的物种代码兜底 35cm
    家鸽: 20
    珠颈斑鸠: 20
    灰斑鸠: 18
    火斑鸠: 15
    虎纹斑鸠: 18
    野鸡: 55
    兔子: 35
    野鸭: 35
    鹌鹑: 12

# 训练通道（并发度 1：GPU 独占，同时仅一个 running 任务）：
# 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: ssh      # subprocess | ssh
  ssh:
    host: "192.168.3.210"            # 训练机地址（mode=ssh 必填）
    user: "root"
    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）
  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）
  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）

# 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」
localAi:
  baseUrl: "http://192.168.3.210:18080"           # 如 http://127.0.0.1:18080（local-ai 兼容 /v1/detection）
  model: rfdetr-xlarge
  vlmModel: qwen3.8-9b  # VLM 藏匿位补检模型（qwen3.8-9b+mmproj 多模态）；与 z-image 显存互斥，两阶段调度
  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
  classNames: [pheasant, suspect]  # 标注类别名（写入 data.yaml，随 result.json 存模型 labels）

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

# 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