本机部署，跑通第一棒 · 15 组操作指南

目标：编译部署 + 九头上链 + 探针确认。

步骤：① VS2022 打开 stitcher_cpp/build/360stitcher.sln，切 Release 整体生成；② build/Release 下运行 360stitcher.exe --benchmark-stitch=deploy/simulation --provider=onnx，日志出现九行 [Provider]（形如 wired: orb=1500）；③ python tools/nine_head_probe.py，期望 PASS (12/12)。

验收证据：编译成功末段日志、九行 [Provider] 日志、探针 PASS，三段终端完整输出。

目标：部署流程与第 1 组一致；多做一步「占位模型」对照——验证"换模型"本身干净无副作用。

步骤：①②③ 同第 1 组（编译 / 九行 [Provider] / 探针 PASS 12/12）；④ python tools/make_placeholder_models.py 生成九个占位模型，重跑同一基准，对照装前装后的 wired 值——应当完全一致。

验收证据：三段日志 + 装占位模型前、后两份 wired 值对照记录（两头都要留证据）。

目标：部署同第 1 组；额外把日志里增益补偿（luminance）与融合（blend）两段计时基线记下来——这是实验三四 A/B 的 before。

步骤：①②③ 同第 1 组；④ 同一基准至少跑三遍，从日志找出 luminance 与 blend 计时行，记下稳定读数。

验收证据：三段日志 + 三遍基线计时记录表。常见坑：日志级别没开，计时行根本不打印。

目标：真机采集前，先用 deploy/simulation 五张基准图跑通「遥测 → 三段标签」全流程；再批量喂 UDIS-D 公开拼接对，产出公开仿真标签交给第 1–3 组。

步骤：① python scripts/check_telemetry.py training_data/simulation_run1，期望 RESULT: PASS；② 运行 360stitcher.exe --benchmark-training-telemetry（部署见第 1 组）逐帧记录遥测；③ label_builder.py 生成三段标签并跑校验；④ 批量喂 UDIS-D ≥50 对，match/geometry 各 ≥200 行并过校验。

验收证据：遥测 PASS 日志、基准图完整日志、三段标签文件与校验输出。常见坑：遥测路径写错，校验器"不报错"但查的是空目录——先看统计了多少帧。

目标：两条路线都在本机部署并通过探针——路线一 360stitcher.exe（九头探针 12/12）、路线二 360stitcher_e2e.exe（引擎探针 5/5）。

步骤：① 路线一：VS2022 Release 编译 → build/Release 下跑 benchmark（九行 [Provider]）→ python tools/nine_head_probe.py PASS (12/12)；② 路线二：进入 e2e_gpu，运行 bin/360stitcher_e2e.exe --benchmark-stitch=bin/simulation --engine=ropstitch，日志出现 [Engine] loaded 与 engine active → python training/engine_probe_test.py PASS (5/5)。

验收证据：两段部署日志 + 两个探针完整输出，四样齐全。常见坑：跑路线二探针时别开着 e2e.exe（文件占用）。

目标：真数据到位前，用合成对把「生成 → 训练口径 → 推理自测」整条流程跑顺。

步骤：① 进入 e2e_gpu/training，pip install -r requirements-cpu.txt；② python make_demo_data.py，产出 train/demo（32 对）与 val/demo（8 对）；③ python infer_test.py，到 outputs/ 查看 infer_overlay.jpg 叠加可视化；④ 加餐：python make_real_dataset.py 生成 8 对真实测试批次（只进 val）。

验收证据：安装与三条命令的完整输出、datasets/ 目录清单、叠加可视化截图。

目标：不上 GPU，本机 CPU 把「训练 → 导出 → 交付 → 探针」四环节走通——冒烟 5 分钟，救你半天 GPU 时段。

步骤：① 进入 e2e_gpu/training，pip install -r requirements-cpu.txt；② python train.py --epochs 2 --batch 4，产出 checkpoints/ropstitch.pth；③ python export_onnx.py 导出 exports/ropstitch.onnx，数值自检误差远小于 1e-3；④ 双击 deliver_model.bat 正本拷入 bin/models/，见 [OK]；⑤ python engine_probe_test.py，期望 PASS (5/5)。

验收证据：四段完整输出。常见坑：跳过 CPU 冒烟直接上 GPU，数据少一列报错排查半小时。

目标：跑通引擎模式 benchmark，采集逐帧计时，建立第一本「耗时账」。

步骤：① 部署路线二（同第 5 组）：确认 [Engine] loaded 与 engine active；② benchmark 跑满 ≥30 帧，逐帧收集 [BenchmarkFrame] 行；③ 汇总均值与 P95，形成基线表（模型加载 / 预处理 / 引擎推理 / 后处理渲染 分列）；④ 与第 6 组的 benchmark.py 交叉验证一次，两本账对得上才算数。

验收证据：完整 [BenchmarkFrame] 日志、基线表（均值 + P95）、交叉验证记录。常见坑：把模型加载算进每帧耗时；基线没注明测试图目录与帧数。