# 发展路线图

均衡推进：模型能力与平台能力并进，按依赖关系分三阶段。每阶段结束都有可独立验证的增量。

## Phase 1：数据与模型闭环 + 实时化

1. **难负样本微调落地**
   - 为 `data/fire-dataset`（train 395 / val 87，Pascal VOC XML + YOLO 标签）编写数据集配置 `configs/datasets/smoke_fire_hard_negative.yaml`，VOC XML→YOLO 转换脚本纳入 `src/yolo/data/`
   - 执行 `TrainConfig` 已预设的运行名 `smoke_fire_yolo11s_hard_negative_ft_v1`，与 v1-4 对比验证误报下降
2. **YOLO26n 评估补齐**
   - 对 `runs/detect/smoke_fire_yolo26n_v2-3/weights/best.pt` 跑一次 `fire-yolo val`，补齐 `args.yaml`、`results.csv` 与曲线图
   - 更新 `docs/model_comparison.md`，完成部署选型对比（nano 对 CPU/边缘更友好）
3. **SSE 实时推送**
   - 后端新增 `GET /api/stream`（SSE，事件与机器人状态变更时广播）
   - 前端 `EventSource` 替代总览/告警中心的轮询刷新

## Phase 2：并发产能 + 安全加固

4. **多路视频并发巡检**
   - 推理锁升级为单 worker 专用执行器 + 请求队列（当前 FastAPI 线程池在锁排队时可能饿死其他端点）
   - 前端多路视频格布局，每个视频独立会话
5. **ONNX / TensorRT 导出与加速**
   - `fire-yolo export` 已具备，补充部署文档与延迟/吞吐基准对比
6. **事件截图存档**
   - 告警触发时截图落盘 `data/screenshots/<event_id>.jpg`（数据库存路径），前端事件详情弹窗展示
7. **鉴权收紧**
   - 简单 Bearer token + CORS 白名单；在对外/多用户访问需求出现前完成，避免带病部署

## Phase 3：工程化 + 数据飞轮

8. **audit 集成进 CLI**
   - `fire-yolo audit` 参数化现有 `runs/audit/scan_missing_labels.py` 与 `render_missing_label_candidates.py`，输出保持 CSV/JSON 格式
9. **误报数据飞轮**
   - 前端"误报"按钮 → 截图+检测框入库 → 定期导出为增量难负样本 → 再微调
   - 依赖 6 与 8，形成"数据 → 模型 → 数据"的复利闭环
10. **Docker 化**
    - CUDA 基础镜像 + uv + 卷挂载 `data/`，单机部署稳定后再固化

## 排序逻辑

先"数据/模型闭环"（依赖最少、价值最大）→ 再"实时化"（值班体验增益）→ 后"并发/加速/安全"（相互依赖且依赖前两者）→ 最后"工程化与飞轮"（依赖前面所有组件）。