同一个权重文件换了阈值，业务结果就可能变化。模型版本不能只用文件名表示。
本文使用原版 Darknet 固定历史提交、YOLOv2/YOLOv3 与演示图片。目标检测回答对象类别与位置，不自动识别全部文字或判断印章真伪。文中的训练与部署方案属于可复现方法，没有给出未经测试的准确率、速度或客户验收成绩。
1. 从现象推到机制
完整发布单元应包含预处理、网络配置、权重、类别顺序、阈值与后处理规则。数据集和评估口径也要能追溯。升级时对照固定样本和难例，判断变化来自模型还是处理流程。
图中的四个节点分别表示完整组合、发布清单、固定评估、受控回退。顺着实线检查输入如何变成输出，再沿虚线核对反馈条件。图示表达的是本文讨论的关系，不是实测曲线或现场截图。
2. 最小实现与输入条件
生成一份机器可读清单，保存各文件摘要与评估范围。发布前在目标运行环境验证，旧版本保留完整组合以便回退。
1
2
3
4
release = source_revision + preprocessing + cfg + weights
+ class_order + thresholds + postprocessing
evaluation = dataset_revision + matching_policy + actual_results
rollback = previous complete release bundle
先保存源码提交、构建选项、配置、权重和输入图片，再对照原始输出。图片只用合成文档或已获授权数据，真实文档中的姓名、编号和印章图样不进入公开训练素材。
3. 用对照区分原因
下表列出需要主动改变的条件。预期行为来自机制分析，复现时还需记录运行环境和原始输出，不能将预期当作已经测得的结果。
| 改变的条件 | 需要验证的行为 |
|---|---|
| 权重不变但阈值提高 | 召回和误检仍可能变化 |
| 类别顺序换了 | 同一输出索引会被错误解释 |
| 只回退 weights | 可能与新预处理或配置不兼容 |
对照 1：权重不变但阈值提高
召回和误检仍可能变化。观察时记录发布清单中的阈值差异。把这个条件与基准情形分开，有助于判断变化来自哪一层；若得到相反结果，应先核对前提，再修改实现。
对照 2：类别顺序换了
同一输出索引会被错误解释。观察时记录names 与训练类别映射。把这个条件与基准情形分开，有助于判断变化来自哪一层；若得到相反结果，应先核对前提，再修改实现。
对照 3：只回退 weights
可能与新预处理或配置不兼容。观察时记录完整发布组合的一致性。把这个条件与基准情形分开，有助于判断变化来自哪一层；若得到相反结果，应先核对前提，再修改实现。
4. 适用条件与取舍
没有实际验证的数据不得写入发布成绩。计划指标、当前测得结果和后续目标应分别记录，避免文件齐全被误当成效果达标。
一次正常运行只覆盖了这组输入。继续扩展前，应把上面的异常对照保留下来，尤其关注“只回退 weights”这一分支。后续方案若改变了图中任意一处依赖，原来的判断就要重新验证，不能仅凭界面相似或返回值相同沿用结论。
