yolo/docs/roadmap.md

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）。