fix: correct YOLO output format [features, boxes] with clear comments

internal/captcha/handler.go

@@ -947,68 +947,43 @@ func preprocessYOLO(img image.Image) ([]float32, error) {
 
 // postprocessYOLO YOLO11 后处理
 func postprocessYOLO(output []float32, origW, origH int, confThresh, nmsThresh float64) []YOLODetection {
-	// YOLO11 输出格式可能是：
-	// [1, 5, 8400] - features 在前，boxes 在后
-	// [1, 8400, 5] - boxes 在前，features 在后（更常见）
+	// YOLO11 ONNX 输出格式: [1, 5, 8400] 或 [1, 84, 8400]
+	// 布局: [batch, features, boxes]
+	// 对于单类检测 [1, 5, 8400]:
+	//   output[0:8400]     = 所有 box 的 x (中心点)
+	//   output[8400:16800] = 所有 box 的 y (中心点)
+	//   output[16800:25200] = 所有 box 的 w
+	//   output[25200:33600] = 所有 box 的 h
+	//   output[33600:42000] = 所有 box 的 confidence
 	
 	outputLen := len(output)
 	if outputLen == 0 {
 		return nil
 	}
 
-	// 尝试检测输出格式
-	// 如果是 [5, 8400]，则 output[4*8400+0] 是第一个 box 的置信度
-	// 如果是 [8400, 5]，则 output[0*5+4] 是第一个 box 的置信度
-	
-	// 检查第一个值是否像坐标（>10）还是概率（<10）
-	// 从输出值看，第一个值 ~17，说明是坐标而非概率
-	// 所以格式应该是 [8400, 5]
-	
-	var numBoxes, numFeatures int
-	if outputLen == 5*8400 {
-		// 尝试两种格式
-		// 格式1: [5, 8400] - 第 5 个元素是 output[4]
-		// 格式2: [8400, 5] - 第 5 个元素是 output[4]
-		
-		// 从日志看，output[0]~output[19] 都是 17-154 范围，像是坐标
-		// 这说明格式是 [boxes, features]，因为 output[0] 是第一个 box 的 x
-		numBoxes = 8400
-		numFeatures = 5
-	} else if outputLen%8400 == 0 {
-		numFeatures = outputLen / 8400
-		numBoxes = 8400
-	} else {
-		fmt.Printf("DEBUG YOLO: unknown output format, len=%d\n", outputLen)
+	numBoxes := 8400
+	numFeatures := 5
+
+	if outputLen != numFeatures*numBoxes {
+		fmt.Printf("DEBUG YOLO: unexpected output length %d (expected %d)\n", outputLen, numFeatures*numBoxes)
 		return nil
 	}
 
-	// 类别名称（根据模型调整）
-	classNames := []string{"icon"} // Detection_Icon 只有一个类
+	// 类别名称
+	classNames := []string{"icon"}
 
 	// 坐标缩放比例：从 640x640 到原图
 	scaleX := float64(origW) / 640.0
 	scaleY := float64(origH) / 640.0
 
 	detections := []YOLODetection{}
-
-	// 记录最大置信度用于调试
 	maxConf := 0.0
 
 	// 遍历所有检测框
-	// 格式 [boxes, features]: output[box_idx * numFeatures + feat_idx]
 	for i := 0; i < numBoxes; i++ {
-		// YOLO11 输出: [boxes, features]
-		// output[i*5 + 0] = x
-		// output[i*5 + 1] = y
-		// output[i*5 + 2] = w
-		// output[i*5 + 3] = h
-		// output[i*5 + 4] = confidence
-		
-		// 获取置信度
-		confIdx := i * numFeatures + 4
-		if confIdx >= len(output) {
-			continue
-		}
+		// [features, boxes] 布局
+		// output[feat_idx * numBoxes + box_idx]
+		confIdx := 4*numBoxes + i  // 第 5 个特征（索引 4）
 		confidence := float64(output[confIdx])
 
 		if confidence > maxConf {
@@ -1020,19 +995,10 @@ func postprocessYOLO(output []float32, origW, origH int, confThresh, nmsThresh f
 		}
 
 		// 获取边界框 (x, y, w, h)
-		xIdx := i * numFeatures + 0
-		yIdx := i * numFeatures + 1
-		wIdx := i * numFeatures + 2
-		hIdx := i * numFeatures + 3
-
-		if xIdx >= len(output) || yIdx >= len(output) || wIdx >= len(output) || hIdx >= len(output) {
-			continue
-		}
-
-		cx := float64(output[xIdx])
-		cy := float64(output[yIdx])
-		w := float64(output[wIdx])
-		h := float64(output[hIdx])
+		cx := float64(output[0*numBoxes + i])
+		cy := float64(output[1*numBoxes + i])
+		w := float64(output[2*numBoxes + i])
+		h := float64(output[3*numBoxes + i])
 
 		// 缩放坐标到原图尺寸
 		cx *= scaleX
@@ -1046,10 +1012,9 @@ func postprocessYOLO(output []float32, origW, origH int, confThresh, nmsThresh f
 		x2 := cx + w/2
 		y2 := cy + h/2
 
-		classID := 0
 		className := "object"
-		if classID < len(classNames) {
-			className = classNames[classID]
+		if 0 < len(classNames) {
+			className = classNames[0]
 		}
 
 		detections = append(detections, YOLODetection{
@@ -1058,12 +1023,12 @@ func postprocessYOLO(output []float32, origW, origH int, confThresh, nmsThresh f
 			X2:         x2,
 			Y2:         y2,
 			Confidence: confidence,
-			ClassID:    classID,
+			ClassID:    0,
 			ClassName:  className,
 		})
 	}
 
-	fmt.Printf("DEBUG YOLO postprocess: outputLen=%d, format=[%d,%d], maxConf=%.4f, found=%d\n", outputLen, numBoxes, numFeatures, maxConf, len(detections))
+	fmt.Printf("DEBUG YOLO postprocess: outputLen=%d, format=[1,%d,%d], maxConf=%.4f, found=%d\n", outputLen, numFeatures, numBoxes, maxConf, len(detections))
 
 	// NMS
 	return nms(detections, nmsThresh)