| # MODNet 与 RVM 模型制品仓库 (Model Artifact Registry) |
|
|
| > **用途**：集中托管 MODNet 与 RVM 的模型制品（ckpt / onnx / rknn 文件本身） |
| > **不包含**：训练代码与 C++ 推理代码——这些在配套的私有仓库中维护 |
| > |
| > **维护者**：PotterWhite |
| > **最后更新**：2026-07-03 |
| > **许可证（License）**：MIT |
|
|
| --- |
|
|
| ## 目录（Table of Contents） |
|
|
| 1. [MODNet 模型](#1-modnet-模型) |
| - [1.1 官方预训练模型](#11-官方预训练模型) |
| - [1.2 微调模型 — 摄影数据集](#12-微调模型--摄影数据集) |
| - [1.3 ONNX 模型变体](#13-onnx-模型变体) |
| - [1.4 目录结构](#14-目录结构) |
| - [1.5 速查表](#15-速查表) |
| 2. [RVM 模型](#2-rvm-模型) |
| - [2.1 ONNX 模型](#21-onnx-模型) |
| - [2.2 RKNN 模型](#22-rknn-模型) |
| - [2.3 质量总结](#23-质量总结) |
| - [2.4 推荐模型选择](#24-推荐模型选择) |
| - [2.5 Graph Surgery：移除最终的 Resize 及以后的算子](#25-graph-surgery移除最终的-resize-及以后的算子) |
| 3. [相关文档](#3-相关文档) |
| 4. [附录：训练日志摘要](#附录训练日志摘要) |
|
|
| --- |
|
|
| ## 1. MODNet 模型 |
|
|
| ### 1.1 官方预训练模型 |
|
|
| #### 摄影人像抠图（Photographic Portrait Matting） |
|
|
| **文件**：`photographic/modnet_photographic_portrait_matting.ckpt` |
|
|
| ``` |
| 原始 MODNet 检查点，在人像抠图数据集上训练 |
| - 来源：作者 Google Drive（ZHKKKe/MODNet） |
| - 格式：PyTorch .ckpt（state_dict） |
| - 架构：MODNet + IBNorm + InstanceNormalization |
| - 输入尺寸：512×512 |
| - 用途：微调实验的基线参考 |
| - 状态：✓ 生产基线 |
| ``` |
|
|
| #### 摄像头人像抠图（Webcam Portrait Matting） |
|
|
| **文件**：`modnet_webcam_portrait_matting.ckpt` |
|
|
| ``` |
| 针对摄像头实时抠图优化的 MODNet 检查点 |
| - 来源：作者 Google Drive |
| - 格式：PyTorch .ckpt（state_dict） |
| - 架构：MODNet + IBNorm + InstanceNormalization |
| - 输入尺寸：384×384（更低延迟） |
| - 用途：实时视频/直播场景 |
| - 状态：✓ 可用，当前管线未使用 |
| ``` |
|
|
| #### MobileNetV2 人体分割（Human Segmentation） |
|
|
| **文件**：`mobilenetv2_human_seg.ckpt` |
|
|
| ``` |
| 辅助分割模型，用于预处理阶段 |
| - 来源：作者 Google Drive |
| - 格式：PyTorch .ckpt |
| - 用途：可选预处理阶段（当前未部署） |
| - 状态：✓ 可用作参考 |
| ``` |
|
|
| --- |
|
|
| ### 1.2 微调模型 — 摄影数据集 |
|
|
| #### 纯批归一化变体（Pure Batch Normalization Variant） |
|
|
| **训练轮次**：Block 1.2 微调（2026-03-19 ~ 2026-03-19） |
|
|
| ##### 概要 |
|
|
| ``` |
| 在 P3M-10k 摄影数据集上微调 MODNet-BN |
| - 将所有 IBNorm + InstanceNormalization 替换为纯 BatchNorm2d |
| - 15 个 Epoch 的监督训练，含学习率调度（Learning Rate Schedule） |
| - 最佳模型：验证集 L1 Loss 0.0062 |
| ``` |
|
|
| ##### 训练配置 |
|
|
| | 参数 | 值 | |
| |------|-----| |
| | 数据集（Dataset） | P3M-10k（Photographic 子集） | |
| | 训练样本数 | 9,421 | |
| | 验证样本数 | 500 | |
| | 批大小（Batch Size） | 8 | |
| | 轮次（Epochs） | 15 | |
| | 初始学习率（Learning Rate） | 0.01 | |
| | 学习率调度 | StepLR：γ=0.1 @ epoch 5, 10 | |
| | 输入尺寸 | 512×512 | |
| | 优化器（Optimizer） | Adam (β₁=0.9, β₂=0.999) | |
| | 损失函数（Loss Function） | L1（MAE），作用于 alpha 遮罩 | |
| | 设备（Device） | NVIDIA A100 (CUDA 11.8) | |
| | 训练时长 | ~4 小时 | |
| | 时间戳 | 2026-03-19 15:40:18 | |
|
|
| ##### 生成的制品（Artifacts） |
|
|
| ``` |
| photographic/finetune/ |
| ├── checkpoints/ |
| │ ├── modnet_bn_best.ckpt # ★ 最佳模型（Val L1: 0.0062） |
| │ ├── modnet_bn_epoch_01.ckpt |
| │ ├── modnet_bn_epoch_02.ckpt |
| │ ├── ...（epoch 3-14 省略） |
| │ └── modnet_bn_epoch_15.ckpt |
| ├── logs/ |
| │ └── block1_2_training_20260319_154018.log # 训练日志（详细） |
| ├── onnx/ |
| │ └── modnet_bn_best_pureBN.onnx # ★ ONNX 导出（见 §1.3.3） |
| └── output/ |
| ├── epoch_01_val.png # 验证预览（第 1 轮） |
| ├── epoch_02_val.png |
| ├── ...（epoch 3-14 省略） |
| └── epoch_15_val.png # 最终验证可视化 |
| ``` |
|
|
| ##### 验证损失曲线（Validation Loss Curve） |
|
|
| ``` |
| Epoch | Val L1 Loss | 改进幅度 |
| ------|-------------|------------------- |
| 1 | 0.0264 | Δ = -0.0202（新最佳） |
| 2 | 0.0175 | Δ = -0.0089（新最佳） |
| 3 | 0.0121 | Δ = -0.0054（新最佳） |
| 4 | 0.0098 | Δ = -0.0023（新最佳） |
| 5 | 0.0089 | Δ = -0.0009（新最佳） |
| 6 | 0.0081 | Δ = -0.0008（新最佳） |
| 7 | 0.0076 | Δ = -0.0005（新最佳） |
| 8 | 0.0074 | Δ = -0.0002（新最佳） |
| 9 | 0.0072 | Δ = -0.0002（新最佳） |
| 10 | 0.0070 | Δ = -0.0002（新最佳） |
| 11 | 0.0068 | Δ = -0.0002（新最佳） |
| 12 | 0.0066 | Δ = -0.0002（新最佳） |
| 13 | 0.0065 | Δ = -0.0001（新最佳） |
| 14 | 0.0063 | Δ = -0.0002（新最佳） |
| 15 | 0.0062 | Δ = -0.0001（最终） |
| |
| → 第 5 轮后收敛（学习率调度生效），持续稳步改进 |
| ``` |
|
|
| ##### 使用方法 |
|
|
| ```python |
| # PyTorch 推理 |
| import torch |
| from modnet import MODNet |
| |
| checkpoint = torch.load('photographic/finetune/checkpoints/modnet_bn_best.ckpt') |
| model = MODNet() |
| model.load_state_dict(checkpoint) |
| model.eval() |
| |
| # 或使用 ONNX 推理（推荐用于部署） |
| import onnxruntime |
| sess = onnxruntime.InferenceSession('photographic/finetune/onnx/modnet_bn_best_pureBN.onnx') |
| ``` |
|
|
| --- |
|
|
| ### 1.3 ONNX 模型变体 |
|
|
| #### 官方原始版本（Photographic） |
|
|
| **文件**：`photographic/modnet_photographic_portrait_matting.onnx` |
|
|
| ``` |
| 从官方检查点直接导出的 ONNX |
| - 来源：作者 Google Drive |
| - 格式：ONNX opset 11 |
| - 包含：InstanceNormalization 算子 |
| - 输入：[1, 3, 512, 512]（float32，[-1, 1] 归一化） |
| - 输出：[1, 1, 512, 512]（float32，[0, 1] 范围） |
| - 状态：✓ 对比参考 |
| - 注意：InstanceNormalization 在 NPU 上会回退到 CPU，**不推荐用于边缘部署** |
| ``` |
|
|
| #### 折叠变体（Folded Variant，Anti-fusion） |
|
|
| **文件**：`photographic/modnet_photographic_portrait_matting_in_folded.onnx` |
|
|
| ``` |
| 通过 anti-fusion 方法展开 InstanceNormalization |
| - 优化者：PotterWhite (potter_white@outlook.com) |
| - 日期：2026-03-11 16:11 |
| - 方法：将 InstanceNorm 展开为算术原语 |
| - Var(x) = E[x²] − (E[x])² |
| - 防止 RKNN 编译器重新识别 InstanceNormalization |
| - 强制在 CPU 上执行（负面效果） |
| - 状态：⚠️ 实验性，不推荐 |
| - 分析：违背了优化初衷 |
| ``` |
|
|
| #### 纯批归一化版本（ONNX 导出） |
|
|
| **文件**：`photographic/finetune/onnx/modnet_bn_best_pureBN.onnx` |
|
|
| ``` |
| 从 modnet_bn_best.ckpt（微调模型）导出的 ONNX |
| - 来源：PyTorch 微调训练（第 15 轮） |
| - 导出日期：2026-03-31 16:15 |
| - 格式：ONNX opset 11 |
| - 架构：纯 BatchNormalization（无 InstanceNorm） |
| - 输入：[1, 3, 512, 512]（float32，[-1, 1] 归一化） |
| - 输出：[1, 1, 512, 512]（float32，[0, 1] 范围） |
| - 文件大小：25 MB |
| - 状态：⚠️ 参考用。纯 BN 变体在当前量化/部署路径上仍有数值问题， |
| **生产部署请用 §1.3.1 官方原版（带 InstanceNorm）**。 |
| |
| 技术说明（仅供对比研究）： |
| - 无 InstanceNormalization → 理论上是 NPU 友好 |
| - 全部算子：Conv2d, BatchNorm2d, ReLU 等（硬件友好） |
| - 但实测在某些量化路径上数值偏移较大，需进一步调试 |
| |
| 已测试环境： |
| - ONNX Runtime 1.16.3（CPU, x86_64） |
| - ONNX Runtime 1.16.3（aarch64, 模拟环境） |
| - RKNN 工具链 v2.3.2（编译阶段验证） |
| ``` |
|
|
| ##### 验证结果（对比参考） |
|
|
| ``` |
| 黄金测试向量（Golden Test Vector）：green-fall-girl-point-to.png (1803×1019) |
| - Python 推理输出：py_08_inference-Output.bin ✓ |
| - C++ 推理输出：cpp_08_inference-Output.bin（待 C++ 构建） |
| - 预期匹配：像素级 L∞ 误差 < 1e-5（float32 精度） |
| ``` |
|
|
| --- |
|
|
| ### 1.4 目录结构 |
|
|
| ``` |
| MODNet/ |
| │ |
| ├── README.md ← 当前文件 |
| │ |
| ├── [官方模型 - 根目录] |
| │ ├── mobilenetv2_human_seg.ckpt （备份，非活跃） |
| │ └── modnet_webcam_portrait_matting.ckpt （参考用，384×384） |
| │ |
| └── photographic/ ← ★ 活跃部署变体 |
| │ |
| ├── README.md （历史文件，已被取代） |
| │ |
| ├── [官方基线] |
| │ ├── modnet_photographic_portrait_matting.ckpt (1.8 GB) |
| │ ├── modnet_photographic_portrait_matting.onnx (26 MB, InstanceNorm) |
| │ └── modnet_photographic_portrait_matting_in_folded.onnx (26 MB, folded) |
| │ |
| └── finetune/ ← ★ 活跃训练输出 |
| │ |
| ├── checkpoints/ （PyTorch 制品） |
| │ ├── modnet_bn_best.ckpt ★ (1.8 GB, 最佳模型) |
| │ ├── modnet_bn_epoch_01.ckpt |
| │ ├── modnet_bn_epoch_02.ckpt |
| │ ├── ... (epoch 3-14) |
| │ └── modnet_bn_epoch_15.ckpt |
| │ |
| ├── onnx/ （部署用） |
| │ └── modnet_bn_best_pureBN.onnx ★ (25 MB, 推荐) |
| │ |
| ├── logs/ （元数据） |
| │ └── block1_2_training_20260319_154018.log |
| │ |
| └── output/ （验证可视化） |
| ├── epoch_01_val.png |
| ├── epoch_02_val.png |
| ├── ... (epoch 3-14) |
| └── epoch_15_val.png |
| ``` |
|
|
| --- |
|
|
| ### 1.5 速查表 |
|
|
| | 模型 | 文件 | 大小 | 用途 | 状态 | |
| |------|------|------|------|------| |
| | **官方摄影模型** | `photographic/modnet_photographic_portrait_matting.ckpt` | 1.8 GB | 基线参考 | ✓ 参考 | |
| | **官方 ONNX** | `photographic/modnet_photographic_portrait_matting.onnx` | 26 MB | InstanceNorm 变体 | ⚠️ 不推荐 | |
| | **微调最佳模型** | `photographic/finetune/checkpoints/modnet_bn_best.ckpt` | 1.8 GB | PyTorch 部署 | ✓ 生产 | |
| | **微调 ONNX** | `photographic/finetune/onnx/modnet_bn_best_pureBN.onnx` | 25 MB | C++/RKNN 部署 | ★ **推荐** | |
| | **摄像头模型** | `modnet_webcam_portrait_matting.ckpt` | 1.8 GB | 实时流媒体 | ✓ 可用 | |
|
|
| --- |
|
|
| ## 2. RVM 模型 |
|
|
| ### 2.1 ONNX 模型 |
|
|
| 位于 `RobustVideoMatting/onnx/`。 |
|
|
| | 模型 | 文件 | 大小 | 骨干网络（Backbone） | 深度导向滤波（Deep Guided Filter） | 来源 | |
| |------|------|------|----------|-----------------|------| |
| | **MobileNetV3 FP32** | `rvm_mobilenetv3_fp32.onnx` | 14.3MB | MobileNetV3 | ✓ | PeterL1n/RobustVideoMatting v1.0.0 | |
| | **MobileNetV3 FP16** | `rvm_mobilenetv3_fp16.onnx` | 7.2MB | MobileNetV3 | ✓ | FP16 导出 | |
| | **MobileNetV3 FP32** | `rvm_mobilenetv3_fp32_no_refiner.onnx` | 14.3MB | MobileNetV3 | — | 移除 Deep Guided Filter | |
| | **ResNet50 FP32** | `rvm_resnet50_fp32.onnx` | ~90MB | ResNet50 | ✓ | PeterL1n v1.0.0 | |
| | **ResNet50 FP16** | `rvm_resnet50_fp16.onnx` | ~45MB | ResNet50 | ✓ | FP16 导出 | |
|
|
| **关键模型属性**（MobileNetV3）： |
| - Opset 12，IR version 6，353 个节点 |
| - 零个 InstanceNorm 节点（NPU 友好） |
| - 6 个输入：`src [1,3,H,W]`、`r1i~r4i`（ConvGRU 状态）、`downsample_ratio [1]` |
| - 经 ArcFoundry `fold_constant_inputs` 处理后：5 个输入（downsample_ratio 烘焙为常量） |
| |
| ### 2.2 RKNN 模型 |
| |
| 位于 `RobustVideoMatting/rknn/`，目标平台 RK3588 / RK3588S。 |
| |
| > **全部 RKNN 都已应用 no-resize graph surgery**（详见 §2.5）：refiner 末尾的 |
| > 2× Resize + Mul/Add/Split/Clip 链已从 NPU 图中移除，由 C++ 后处理端实现 |
| > guided-filter 组合 + 上采样。下表不再单独标注 no-resize 变体。 |
| |
| | 模型 | 文件 | 大小 | 分辨率 | 精度 | dsr | 状态 | |
| |------|------|------|--------|------|-----|------| |
| | **1080×1920 FP16** | `rvm_mobilenetv3_fp16_1080x1920_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 10.9MB | 1080×1920 | FP16 | 0.25 | 默认 | |
| | **736×1280 FP16** | `rvm_mobilenetv3_fp16_736x1280_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 11.3MB | 736×1280 | FP16 | 0.5 | 较高质量 | |
| | **736×1280 FP16** | `rvm_mobilenetv3_fp16_736x1280_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.9MB | 736×1280 | FP16 | 0.25 | — | |
| | **544×960 FP16** | `rvm_mobilenetv3_fp16_544x960_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 10.3MB | 544×960 | FP16 | 0.5 | 中等质量 | |
| | **544×960 FP16** | `rvm_mobilenetv3_fp16_544x960_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.5MB | 544×960 | FP16 | 0.25 | — | |
| | **416×736 FP16** | `rvm_mobilenetv3_fp16_416x736_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.8MB | 416×736 | FP16 | 0.5 | — | |
| | **416×736 FP16** | `rvm_mobilenetv3_fp16_416x736_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.3MB | 416×736 | FP16 | 0.25 | — | |
| | **320×576 FP16** | `rvm_mobilenetv3_fp16_320x576_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.5MB | 320×576 | FP16 | 0.5 | — | |
| | **320×576 FP16** | `rvm_mobilenetv3_fp16_320x576_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.1MB | 320×576 | FP16 | 0.25 | — | |
| | **288×512 FP16** | `rvm_mobilenetv3_fp16_288x512_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.1MB | 288×512 | FP16 | 0.25 | 早期验证 | |
| | **256×256 FP16** | `rvm_mobilenetv3_fp16_256x256_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 8.8MB | 256×256 | FP16 | 0.25 | 早期验证 | |
| |
| **转换工具**：[ArcFoundry](https://github.com/PotterWhite/ArcFoundry.git) v0.15.0 |
| - 配置目录：`ArcFoundry.git/configs/rvm/` |
| - 目标平台：RK3588 / RK3588S |
| - 归一化：`mean=[0,0,0], std=[255,255,255]`（RKNN 运行时执行 `/255.0`） |
| |
| ### 2.3 质量总结 |
| |
| > 当前批次（`rk3588s_20260603`）的板端 benchmark 正在收集中。 |
| > 旧的 s14/s20/s21 数据对应的是已下线的 `rk3588` 批次，不再适用。 |
|
|
| 通用预期（基于已知的 RVM 行为规律）： |
|
|
| - **dsr 越大，质量越好、速度越慢**（decoder 工作在 `H×dsr × W×dsr` 分辨率上） |
| - **处理分辨率越大，alpha 边缘越锐利**，但 NPU 推理时间近似线性增长 |
| - 1080p 输入 + `dsr=0.25` 是速度最优档（decoder 工作在 270×480） |
| - 1080p 输入 + `dsr=0.5` 是质量最优档（decoder 工作在 540×960）—— 当前批次未提供该组合 |
|
|
| > 详细 benchmark 数据待补。 |
|
|
| ### 2.4 推荐模型选择 |
|
|
| > 待补。当前批次（`rk3588s_20260603`）的 benchmark 数据收集中。 |
| > 一般规则：质量优先选 `dsr=0.5` 中最大处理分辨率（候选：544×960 / 736×1280）， |
| > 速度优先选 `1080×1920 / dsr=0.25`，低内存选 `256×256 / dsr=0.25`。 |
| > 选定后填入下表。 |
| |
| | 使用场景 | 推荐模型 | 理由 | |
| |----------|---------|------| |
| | **质量优先** | _（待补）_ | _（待补）_ | |
| | **速度优先** | _（待补）_ | _（待补）_ | |
| | **低内存** | _（待补）_ | _（待补）_ | |
|
|
| ### 2.5 Graph Surgery：移除最终的 Resize 及以后的算子 |
|
|
| > **本仓库全部 RKNN 模型都已应用此 graph surgery**（见 §2.2 表前的说明）。 |
| > 原始 RVM ONNX 的 refiner 末尾含 2 个 `Resize` + 后续 element-wise 链（Mul、Add、 |
| > Split、Clip 等），通过 ArcFoundry 的 `graph_surgery` 步骤把这些节点从 NPU 图中 |
| > 移除，由 C++ 后处理端自行完成 guided-filter 组合 + 上采样。 |
| |
| #### 裁剪点 |
| |
| | 项目 | 数值 | |
| |------|-----| |
| | 原始 ONNX 总节点数 | 353 | |
| | 被删除的"尾部"命名算子 | 2× Resize + Mul + Add + Split + Add + 2× Clip（共 8 个） | |
| | `graph.cleanup()` 级联删除的死节点 | 28 个 | |
| | **图清理后净减少的节点（实测）** | **36 个**（353 → 317） | |
| | 裁剪版图输出 tensor | `777`（Conv_316 输出，refiner A，4ch，272×480）、`779`（Sub_318 输出，refiner b，4ch，272×480），外加 `r1o~r4o` | |
| |
| #### 实测算子分类对比 |
| |
| | op_type | 原版 | 裁剪版 | Δ（原版 − 裁剪版） | |
| |---------|----:|-----:|------------------:| |
| | Constant | 48 | 32 | +16 | |
| | Shape | 12 | 8 | +4 | |
| | Slice | 12 | 8 | +4 | |
| | Concat | 23 | 20 | +3 | |
| | Add | 16 | 14 | +2 | |
| | Clip | 2 | 0 | +2 | |
| | Resize | 7 | 5 | +2 | |
| | Mul | 47 | 46 | +1 | |
| | ReduceMean | 2 | 1 | +1 | |
| | Split | 10 | 9 | +1 | |
| | **合计** | | | **+36** | |
|
|
| > 上表只列出发生变化的 `op_type`（未变的不列出）。 |
| |
| **为什么 `Constant` 减少了 16 个？** 因为 `graph.cleanup()` 会同时清理那些原本只为 |
| 被删节点提供常量输入的 Constant 节点；而 `Shape`/`Slice`/`Concat` 的减少则来自 |
| refiner 内 Concat_311 上游、只为已删除 Resize 准备 shape/slice 信息的辅助节点。 |
|
|
| **为什么 `Conv` 一颗没少？** 裁剪只动 refiner 尾巴（ID 195-202 对应的算子）， |
| refiner 内部产生 A/b 的 Conv 网络（Conv_312/314/316）被保留——它输出的 |
| A(4ch,272×480) + b(4ch,272×480) 是 C++ 后处理 guided-filter 组合的输入。 |
| |
| --- |
| |
| ## 3. 相关文档 |
| |
| 本仓库**仅托管模型制品**（ckpt / onnx / rknn 文件），不包含训练代码和 C++ 推理代码。 |
| |
| - 训练流程、ONNX 导出、C++ 推理、RKNN 转换等代码均在配套的私有仓库中维护 |
| - 公开可见的模型来源： |
| - MODNet：作者 Google Drive（ZHKKKe/MODNet） |
| - RVM：[PeterL1n/RobustVideoMatting](https://github.com/PeterL1n/RobustVideoMatting) v1.0.0 |
| - RKNN 转换 pipeline：[ArcFoundry](https://github.com/PotterWhite/ArcFoundry.git)（配置文件位于其 `configs/rvm/`） |
| |
| --- |
| |
| ## 附录：训练日志摘要 |
| |
| ``` |
| [Config] Device: cuda |
| [Config] Epochs: 15, BS: 8, LR: 0.01, Input: 512×512 |
| [Dataset] Loaded 9421 samples (P3M-10k train) |
| [Model] Total parameters: 6,487,795 |
| [Model] Trainable parameters: 6,487,795 |
| |
| Training Results (15 epochs): |
| - Epoch 1: Avg Loss 0.5410 → Val L1 0.0264 (new best) |
| - Epoch 2: Avg Loss 0.3054 → Val L1 0.0175 (new best) |
| - Epoch 3: Avg Loss 0.2634 → Val L1 0.0121 (new best) |
| - ... |
| - Epoch 15: Avg Loss 0.1820 → Val L1 0.0062 (final) |
| |
| Convergence: ✓ Steady improvement through all 15 epochs |
| Overfitting: ✓ No significant degradation, clean convergence |
| ``` |
| |
| --- |
| |
| **文档版本**：1.4 |
| **最后更新**：2026-07-03 by PotterWhite |
| **提交历史**：通过 Git commit message 追踪 |
| |
