{
 "rows": [
  {
   "name": "初版模型（PlantVillage 训练）",
   "lab": 94.07,
   "field": 11.31,
   "field_top3": 26.83,
   "latency_ms": 309,
   "note": "实验室成绩漂亮，田间几乎不可用；置信度虚高（高置信度误判率 88%）"
  },
  {
   "name": "＋ 田间数据微调（ResNet18 @224）",
   "lab": 97.12,
   "field": 57.08,
   "field_top3": 82.08,
   "latency_ms": 309,
   "note": "用 PlantDoc 训练集微调 4 轮（10 分钟），田间翻 5 倍"
  },
  {
   "name": "＋ DINOv2 基础模型微调（ViT-S/14 @336）",
   "lab": 98.63,
   "field": 75.45,
   "field_top3": 94.14,
   "latency_ms": 1239,
   "note": "换成自监督基础模型骨干（文献：农业视觉上平均高 15.2%），精度最高但更慢"
  },
  {
   "name": "DINOv2 蒸馏 → ResNet34 @288",
   "lab": 93.55,
   "field": 69.91,
   "field_top3": 94.69,
   "latency_ms": 159,
   "note": "知识蒸馏把 DINOv2 的能力搬进轻量学生：田间 6.2 倍于初版，且比初版快 2 倍"
  },
  {
   "name": "DINOv2 ViT-S/14 @336（+ PlantWild）",
   "lab": 99.59,
   "field": 76.5,
   "field_top3": 94.9,
   "latency_ms": 1159,
   "note": "长训 12 轮 + 新增 PlantWild 34 类 7678 张真田间图；完整版精度优先（约 1.2s/张），蒸馏轻量版（159ms）留作低速场景"
  },
  {
   "name": "✅ 现网部署形态（精度同上一行）",
   "lab": null,
   "field": null,
   "field_top3": null,
   "latency_ms": 1159,
   "note": "同一代权重的交付形态：ONNX Runtime FP32（87MB）+ INT8（11MB）双权重，输入 336×336，单机 CPU 推理约 1.16 s/张（蒸馏轻量版 159 ms），无需 GPU —— 这正是村级场景能落地的原因"
  }
 ],
 "howto": {
  "更准": [
   "换更强的自监督基础模型骨干（DINOv2，文献实测比 ImageNet 预训练平均高 15.2%）",
   "把实验室数据与田间数据混合训练（域适应），并对实验室图做『背景随机化』以消除背景偏置",
   "提高输入分辨率（田间病斑占比小，336/448 明显优于 224）",
   "测试时增强（水平翻转/多尺度）与多模型集成",
   "继续扩田间样本：PlantDoc 训练集、PlantWild、田间自采集（伪标签半监督）"
  ],
  "更快": [
   "知识蒸馏：用大模型当教师训练轻量学生（本页结果即为此方案）",
   "静态 batch 导出（实测比动态 batch 更快）",
   "降低输入分辨率 / 换更小骨干（MobileNetV3 等）",
   "INT8 量化（本例导出方式暂不支持，需静态+QDQ 流程）",
   "结果缓存（同图复用，命中后 ≈0 耗时）"
  ]
 },
 "updated_at": "2026-10-04 22:52"
}