封面
把一張鞋底照片，變成防滑安全分數
問題 ＋ 我們要做的事
問題：鞋底磨損肉眼難判斷，濕滑跌倒是真實風險；實驗室 ASTM 摩擦試驗準，但慢、貴、要送驗。
我們要做的：讓消費者拍三張鞋底照，就能得到乾／濕摩擦係數（COF）＋ 防滑等級 ＋ 白話建議；鞋廠／實驗室用同一套快速初篩。
01 · 資料
我們收到什麼資料
業主（鞋技中心／製鞋業者）首批訓練資料
- 32 雙附 FRT 鞋技中心 ASTM F2913 正式報告；9 雙只有照片、沒報告（彪琥等 → 無標籤、未用）。
- 涵蓋 11 家鞋廠、材質含橡膠（NR）／EVA／TPR／TPE／PU。
- 照片是「整個鞋底各角度的手持照」，背景雜亂 —— 這點後面會變成關鍵。
02 · 標籤
標籤是金級的，但鎖在 PDF 裡
ASTM F2913:2011 摩擦係數試驗
每份報告含 前掌 / 後跟 / 水平 × 乾 / 濕 共 6 個 COF 值。COF 已是 0–1 量級（濕式 0.30–0.86），剛好對齊模型輸出。
- PDF 無文字層（純影像）→ 用視覺萃取數字。
- 用報告第 3 頁「個別量測值」的平均，逐格交叉驗證 → 32 份全部對得上（誤差僅四捨五入）。
- 抽驗可疑值（金弘粗跟女鞋後跟乾式僅 0.34）→ 看照片證實是真的（粗跟是光滑硬塊、低抓地），非萃取錯誤。
標籤品質 = 金級（實驗室正式報告）。難點不在「資料準不準」，而在「樣本夠不夠多」—— 見下一頁。
03 · 資料探勘
資料探勘：四個真議題
這四點決定了模型怎麼做
- ① 樣本量小：只有 32 雙有標籤（原 spec 要幾百~1000）→ v1 必為「諮詢級弱模型」，要用嚴格的分組驗證。
- ② 照片對不上原設計：實際是「整底多角度照」，不是乾淨的前掌／後跟／全底分區照。
- ③ 全是新鞋：32 雙全工廠新成品 → 「該換」（replace）等級 0 筆。但消費者情境正是磨損舊鞋。
- ④ 乾式 COF 常 >1.0：模型的 sigmoid 表示不了 → 訓練時壓縮、推論還原（濕式全在範圍內，無此問題）。
04 · 模型決策
模型決策：收斂成「整底 → 兩個值」
業主拍板：整體乾／濕兩個 COF
- 單張整底照（＋材質）→ 整體
(cof_wet, cof_dry)，不做分區 head（資料不足以撐）。
- 用凍結的 ConvNeXt-Tiny 當特徵抽取器 ＋ 小型 MLP head。
（整個微調 28M 參數 vs 32 筆 → 過大，會塌成「永遠猜平均」。）
- 對外的資料合約完全不動：產品端仍送 3 張分區照，推論時各跑一次、用固定權重（前掌 0.30／後跟 0.40／全底 0.30）組整體 → 前端／LLM／API 全無感。
05 · 突破一
💡 這是光裕提的方向
突破①：把背景去掉（去背）
辦公室雜亂背景是干擾，不是資訊
用 rembg（u2net）把鞋底從雜亂背景摳出來、其餘填白，模型只看鞋底本身。= 去雜訊，不是加雜訊。
原始（含背景）R² 0.07
去背後R² 0.18
濕式 32 折驗證 R² 0.07 → 0.18（翻一倍）。第一個關鍵突破。
06 · 突破二
💡 這是光裕提的點子
突破②：前中後切三段放大（三 crop）
對上「標籤本來就是分區的」
去背後沿鞋底長軸切前／中／後三段、各自放大，依亮度排序（翻轉不變），三層一起餵模型。等於變相提高解析度，又呼應「報告本來就是前掌／後跟分區量的」。
去背R² 0.18
去背 ＋ 三 cropR² 0.32
R² 0.18 → 0.32（再翻一倍）。兩個讓準度翻倍的關鍵 lever，都是光裕提的方向。
07 · 誠實評估
怎麼誠實評估：32 折 LOSO
Leave-One-Shoe-Out 留一雙鞋交叉驗證
- 為何 leave-one-shoe-out：同一雙鞋的多張照片若跨訓練／驗證 = 作弊洩漏。改成按鞋分組、每次留一整雙當驗證、輪 32 次，數字才誠實。
- full fine-tune 為何塌：28M 參數 vs 32 個獨立標籤 → 過擬合到「永遠猜平均」，R² 變 −1.6（比亂猜還差）。凍結 backbone 才會真的隨輸入變。
- 解析度實驗：224 vs 384 只差濕式 +0.04 → 壓縮不是大魚，不用為它煩惱。
08 · 結果
最終數據結果
逐步逼近誠實上限（可靠 = 32 折 LOSO 濕式）
| 做法 | R²（濕式） | MAE |
|---|
| 整個微調（full fine-tune） | −1.6 ❌ | —（塌成平均） |
| 凍結 backbone | 0.07 | 0.065 |
| ＋ 去背 | 0.18 | 0.056 |
| ＋ 三 crop（出貨版） | ~0.32 | 0.054 |
出貨版用全 32 雙訓練（泛化已由 LOSO 估過）；模型版本 cv-convnext_tiny-v1，推論信心 ~0.89（由 LOSO 誤差推得）。
09 · 第二層
L2：本地 LLM 生成中文報告
真預測 → Ollama gemma4:26b → 繁中三段報告
CV 模型的數字一般人看不懂。第二層把它交給本地大型語言模型（gemma4:26b，全程在機器內、不出雲，約 7–14 秒），生成「整體評估 / 具體分析 / 建議行動」三段白話報告。
「根據您提供的檢測數據，目前的評估結果為 安全（Safe），鞋底摩擦力表現尚在穩定範圍內⋯⋯前掌與後跟的濕地摩擦係數分別為 0.539 與 0.542，兩者差異極小且均維持在安全等級⋯⋯可以繼續放心穿著，但建議留意鞋底紋路是否因長期使用而變平。」
— 模型對「裕華橡膠涼鞋」的真實輸出（節錄）
10 · 誠實結論
最誠實的結論：資料是天花板
v1 是諮詢級估算器，不是安全保證
- v1「真的會跑、會隨輸入變、贏過猜平均、合約相容」，足以讓系統變真、上線、啟動資料飛輪。
- 但仍弱：R²~0.32 = 只解釋約 1/3 變異。這是 32 雙新鞋的硬上限，不是架構問題（架構已試遍）。
- 要變準，唯一的槓桿是資料 —— 尤其磨損舊鞋／低 COF／「該換」等級（目前 0 筆）。
🔁 資料飛輪：每批新資料 → 增量訓練 → 模型更準 → 更多用戶上傳 → 更多資料。第一版的價值，是把這個輪子轉起來。