conda activate fiftyone python fo_project/run_fo_eval.py

这个目录提供一个精简版流程：
读取 COCO 标注 + D-FINE 模型推理 + FiftyOne 可视化评估（ground_truth vs predictions）。

建议在你的 dfine 环境中运行，不要使用 base。
你之前遇到的错误是 NumPy 2.x 与已编译扩展不兼容，先执行：

conda activate dfine
python -m pip install -U "numpy<2" matplotlib fiftyone tqdm

在项目根目录 C:\Users\Rick\Desktop\python\ObjectDetection 执行：

conda activate dfine
python fo_project/run_fo_eval.py ^
  --repo-dir ./D-FINE ^
  -c ./config/volleyball_s_transfer_balance.yml ^
  -r ./D-FINE/output/dfine_hgnetv2_s_obj2custom/best_stg1.pth ^
  --img-root ./coco/images ^
  --ann-file ./coco/converted/annotations/val.json ^
  --dataset-name volleyball-val-s-b1 ^
  --device cuda:0 ^
  --input-size 640 ^
  --conf-thres 0.25 ^
  --overwrite

运行后会：

1. 创建 FiftyOne 数据集
2. 写入 ground_truth 和 predictions
3. 计算 mAP
4. 自动打开 FiftyOne App

• --limit 100：仅评估前 100 张，快速调试
• --no-app：只计算指标，不打开 UI
• --input-size 512：更快，适合边缘模型对比
• --conf-thres 0.35：提高置信度阈值，减少低分框

分别运行多次并使用不同 --dataset-name，例如：

• volleyball-val-n-fast
• volleyball-val-s-balance
• volleyball-val-n-scratch

然后在 FiftyOne 中对比误检/漏检分布；同时记录每次打印的 mAP。

如果你要同时做：

• evaluate_detections 算 mAP
• 快速筛选 FP/FN/低置信度/低 IoU
• 同一数据集多模型对比（pred_n vs pred_s）
• 质量检查（脏标注、重复图、难例）

直接用：

python fo_project/fo_workbench.py

脚本为顶部硬编码配置，按需改 SETTINGS 即可。

脚本会自动写入的关键字段（可在 FiftyOne 左侧筛选）：

• has_fp_pred_*：误检样本
• has_fn_pred_*：漏检样本
• has_low_conf_pred_*：低置信度样本
• has_low_iou_pred_*：低 IoU 样本
• cmp_better_a / cmp_better_b：模型对比结果
• dirty_gt：疑似脏标注
• is_duplicate：重复图
• hard_sample：难例