从视频到 RKNN 模型，一条龙完成
上传视频 → 分类（学习/验证）→ 标注 → 训练 → 验证 → 下载部署到 RK3568 设备
📹 上传视频（视频库）
Android 投篮机通过 HTTPS 分片直传录像到服务器。视频先进入「视频库」，此时还未分类。
没用的视频可直接删除（物理删除）。
🗂️ 给视频分类
在「视频库」为每个视频选择用途：加入 TRAIN 训练集（用来学习）或 加入 VAL 验证集（用来验证）。
分类后视频移入对应集合页。
✏️ 标注视频（TRAIN / VAL）
在「TRAIN 训练集」或「VAL 验证集」点「去标注」：平台自动抽帧 + 伪标预填篮球框，你改错、补漏、删除多余，无球的帧点「无球」，全部确认后标注完成。
快捷键：a/d 翻页，Delete 删框，拖拽画框/移动/缩放。
🚀 开始训练（训练任务）
在「训练任务」页勾选已标注完成的 TRAIN 视频，设置 epochs 等参数，点「开始训练」。系统自动聚合所有已标注的 TRAIN + VAL 视频训练，并导出 ONNX、转换为 RKNN。
同一时间只运行一个任务，其余排队。
🔍 版本验证
训练成功后，在「版本验证」页用模型对 VAL 验证集跑推理，与人工标注的真实值对比，得出漏检率 / 误检率 / 精度，并逐帧查看检测效果。
这是判断模型是否可用的客观依据。
⬇️ 下载部署（版本管理）
在「版本管理」页下载训练结果 zip（best.pt / .rknn / 指标 / manifest），放入 Android 工程 assets 后编译 APK 部署到 RK3568。
每个版本都有模型清单，可追溯训练数据和工具版本。
📚 为什么要分「TRAIN 训练集」和「VAL 验证集」？
这是机器学习的标准做法——让模型「学习」的材料和「考试」的材料必须分开：
让模型看这些视频学会「球长什么样」。覆盖不同角度、距离、光线、持球/出手/飞行状态，量要最多（建议 70%），标注必须仔细——数据质量决定模型上限。
模型训练时从来不看这些视频。训练过程中每轮用它检查模型有没有变好；训练完成后用它对比「真实标注 vs 模型预测」，算出漏检/误检/精度。
📹 视频库
所有已上传视频（按上传时间倒序）。先播放确认视频是否合格，再选择用途或删除。
📖 TRAIN 训练集
用来让模型「学习」的视频。逐个标注，标注完成 ✓ 后才可参与训练。
🔍 VAL 验证集
用来「考试」的视频：训练中检查 + 训练后验证对比。同样需要标注（作为真实值）。
🚀 训练任务
勾选「已标注」的 TRAIN 视频发起训练（已标注的 VAL 视频自动参与验证）。
选择 TRAIN 视频（仅已标注的可用）
训练历史 （仅训练任务，标注任务在 TRAIN/VAL 页管理）
🔍 版本验证
用训练成功的模型对 VAL 验证集跑推理，对比「真实标注 vs 模型预测」，客观评估可用性。
📦 1. 选择要验证的模型版本
验证结果
⬇️ 版本管理
训练成功的模型版本，可下载 zip（best.pt / .rknn / 指标 / manifest）部署到设备。