训练数据

因果语言模型的训练目标，是用已有 Token 预测下一个 Token。核对因果语言模型输入、目标和忽略位置，避免重复移位。

用 Silero VAD 找出录音的讲话时间段，保存秒数并回听弱语音，与能量非静音切片区分。

用 Label Studio 给获授权语音录音标记时间区域，导出 JSON 后核对时间与标签，再决定是否扩展为训练集。

用 Torchvision 的 ResNet18 预训练权重更换二分类头，在独立 train/val 目录训练并输出验证正确数。

按 Ultralytics 数据集约定准备自有目标框，运行 YOLO 检测训练并检查类 ID、验证集与误检漏检。

从 CVAT 导出传统 YOLO 标注后，按 obj.names 和归一化坐标核对类别、框和图片文件映射。

在 CVAT 确认可用 SAM interactor 后，用正负点生成杯子掩码，人工核对边缘及标签，并说明部署前提。

用明确的标签契约向 ChatGPT 提问，并以本地矩形示例验证水平翻转后的图片与检测框同步。

用 librosa 生成梅尔功率频谱图，核对采样率、hop_length、时间频率坐标和相对分贝色标。

用 librosa 非静音检测导出语音切片，保存原始样本位置与秒数，听回检查弱语音和标签时间。