多数页面没有印章，少数页面有多个印章。只看总损失，很难知道少数类是否被学到。
本文使用2018 年固定 Darknet 提交、YOLOv3 与独立文档数据划分。继续研究检测模型时，先保证数据定义、预处理和评估口径稳定。文中方法和预期不代表已经获得某个准确率或部署成绩，真实结论必须来自记录完整的实验。
1. 从现象推到机制
样本数量、目标数量和难度分布需要分别统计。负样本能帮助抑制红字等误检，但标注漏掉的真实目标会被错误当成背景。重采样可以改变训练频率，也可能增加对少量样本的记忆。
图中的四个节点分别表示数据统计、负样本审查、训练采样、分类评估。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
按类别和来源建立统计表，先复核疑似负样本。固定测试集中保留真实比例，再单独报告少数类表现。
1
2
3
4
5
count images by source and class presence
count objects by class and size
review negatives for missing annotations
change sampling policy only in training
report per-class precision and recall
每次只改变一组关键因素，保存配置、权重、数据清单与输出。训练、验证和测试职责分离，难例分析保留匿名原始证据，不通过删除失败样本改善表面指标。
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 |
|---|---|
| 负样本包含漏标印章 | 会提供矛盾监督 |
| 少数类重复采样很多次 | 不等于增加了真实多样性 |
| 总体指标很高 | 仍可能掩盖少数类失败 |
对照 1：负样本包含漏标印章
会提供矛盾监督。观察时记录原图复核与标签完整性。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。
对照 2：少数类重复采样很多次
不等于增加了真实多样性。观察时记录独立原件数量与重复次数。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：总体指标很高
仍可能掩盖少数类失败。观察时记录每类样本量和错误类型。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
数据比例要接近目标用途，优化采样也应保留记录。不能为了提高测试分数，删掉业务中真实存在的大量负页。
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“总体指标很高”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。
