feat(mot): add causal routing audit, utility router and adaptive K

[blues-kun]

PR：MoT 序列级/目标级路由审计、检测效用监督与 P5 混合架构

关联 Issue #54。

技术总结 Discussion：
#191

改动摘要

• 新增 MoT-P5 YAML：保留 EsMoE backbone，仅在低分辨率 P5 neck 放置一个 MoTBlock；
• 扩展消融脚本：精确加载 checkpoint、实际 FLOPs、SHA-256、确定性输入、时长预热和多轮
  P50/P95/P99；
• 新增四卡训练、统一 benchmark、跨域/场景/真实遮挡审计的一键编排；
• 新增视频序列级 paired bootstrap、sign-flip permutation、paired Hedges' g 和 BH-FDR；
• 从 VisDrone 原始 occlusion 标注构建序列内低/高遮挡配对，并平衡目标数和框面积；
• 支持 16-bit/float TIFF、科研灰度图稳健归一化和 letterbox；
• 修复 MoT sparse expert 在 autocast 下的 dtype 回写错误；
• 为 AMP 自动恢复增加 warning 与结构化事件记录；
• 新增目标框内路由审计，并修正帧号、面积 caliper 与 truncation 混杂；
• 新增单层强制专家 context、检测效用矩阵、冻结检测器的 utility-router 训练和独立 split 评估；
• 新增概率信任混合、KL 漂移保护，以及默认关闭、最大 K 保持原语义的 adaptive K；
• benchmark 联合记录同图 mAP、三轮延迟和实际专家-样本调用；
• 提交脱敏 CSV、曲线、热力图、复现协议及完整中文实验链路。

上游已经包含 Issue 指定的三项 tests/test_mot.py 边界测试，本分支负责复验，不将其声明为新增。
新增测试聚焦 TIFF、dtype、统计、序列配对、遮挡匹配和 benchmark 状态隔离。

与已合并 PR 的差异

• #96 已完成基础 MoT/MoA+MoT 配置、消融
  和边界测试；本 PR 的结构增量是 P5-only MoT；
• #146 已完成 VisDrone 消融与跨域路由，
  并在限制中指出 COCO/VisDrone 使用不同训练域模型；
• 本 PR 固定同一个 MoT checkpoint，直接消除上述参数混杂；
• 本 PR 进一步修正连续视频帧伪重复，加入原始遮挡标注配对和三轮稳定 benchmark。

因此建议将本 PR 作为 #54 的方法学修正与增量结果评审，而不是重复合入已有基础实现。

受控实验

四模型均从 YAML 初始化，在 VisDrone 上训练 30 epoch，640，batch 16，seed 42，FP32。

模型	训练 mAP50-95	当前代码 mAP50-95	当前 P50/P95/P99 (ms)	FLOPs (G)	Params (M)
EsMoE-N	0.09014	0.086933	13.284/13.338/13.795	8.016	3.420
MoT-N	0.08912	0.086633	30.928/31.262/32.177	12.014	4.025
MoA-N	0.08710	0.084307	26.382/26.514/27.796	8.613	3.546
MoT-P5-N	0.09164	0.087923	17.008/17.065/17.180	8.143	3.494

训练 mAP 来自训练提交 58cb439；当前 mAP 与延迟来自合并上游 d5afc4b 后的兼容性复验。
benchmark 使用同一 RTX 5090、固定输入、每模型至少 2 秒预热、3 轮执行和顺序轮换。

MoT-P5 相比完整 MoT：当前 mAP50-95 增加 0.129 个百分点，P50 降低 45.01%，FLOPs 降低
32.22%。相比 EsMoE：mAP50-95 仅增加 0.099 个百分点，P50 增加 28.03%。因此只声明它是
完整 MoT 的低预算替代，不声明相对 EsMoE 已产生协同。

路由结论

• 初版图像级 dense/sparse 与 large/small 显著项，在视频序列配对后均未通过 FDR+CI；
• 真实遮挡审计包含 25 对视频序列，目标数/框面积 SMD 为 0.027/-0.017；
• 低遮挡 → 高遮挡的 Deformable top-1 为 +0.001575，CI 跨 0，q=0.703；
• VisDrone → brain-tumor 的 Deformable mean probability 为 +0.000674，仅作 OOD 信号；
• 深层概率接近均匀且 top-1 对微小数值变化敏感，后续需重训
  top_k/exploration/straight-through，不在本 PR 中无实验修改默认行为。

更细的目标级匹配审计保留 12,296 对、76 个序列。model.14.m.0 中高遮挡目标的
LocalConv/Deformable 框内概率分别增加 0.00693/0.00259，Window 降低 0.00952；这说明是
组合重分配，不支持硬编码“遮挡切 Deformable”。

检测效用路由结果

• 对六个 MoTBlock 做同图强制专家筛选，选择效用跨度较大的 model.14.m.0；
• 2,048 图效用矩阵中，原路由平均 regret 为 0.03380，三专家 oracle 占比为
  36.9%/35.7%/27.4%；
• 918 参数 scene utility router 在 calibration val 将 regret 从 0.02186 降至 0.01737，
  但 test-dev 升至 0.05476；
• KL guard 在 test-dev 触发并恢复基线 0.04556，因此当前不声明跨序列 utility 增益；
• adaptive K 阈值 0.35 将目标层实际调用从 3.000 降至 1.484，mAP50-95
  0.08743 → 0.08695，P50 26.877 → 28.244 ms；
• 所有新策略默认关闭，未修改现有 YAML 的默认行为。

验证

pytest \
  tests/test_ddp_lifecycle_ema_nan.py \
  tests/test_mot_audit_results.py \
  tests/test_mot_cross_domain_analysis.py \
  tests/test_mot_object_causal.py \
  tests/test_mot_detection_utility.py \
  tests/test_mot_utility_router.py \
  tests/test_mot_utility_evaluation.py \
  tests/test_mot_utility_deployment.py \
  tests/test_mot_adaptive_benchmark.py \
  tests/test_mot.py \
  tests/test_mot_routing_diagnostics.py -q

ruff check \
  scripts/analyze_mot_cross_domain.py \
  scripts/analyze_mot_object_causal.py \
  scripts/benchmark_mot_adaptive_k.py \
  scripts/build_mot_detection_utility.py \
  scripts/evaluate_mot_utility_router.py \
  scripts/train_mot_utility_router.py \
  scripts/run_mot_cross_domain_experiment.py \
  scripts/compare_mot_ablation.py \
  scripts/prepare_mot_routing_scenes.py \
  tests/test_mot_audit_results.py \
  tests/test_mot_cross_domain_analysis.py \
  ultralytics/nn/modules/mot/utility.py

2026-07-29 在 Python 3.9.25、PyTorch 2.8.0+cu128 上复验：134 passed, 18 warnings。
其中 14 个 warning 是热力图测试触发的 Matplotlib/pyparsing 弃用提示，4 个来自既有 MoA head
数量自动调整；无失败。复验同时修复了 Python 3.8/3.9 不支持 typing.Self 的导入问题。
RTX 5090 CUDA smoke 能加载同一 checkpoint 与 utility bundle，目标层选出 K=1，上下文退出后
恢复原固定-K 配置。

范围与限制

• 30 epoch、单 seed，不作为充分收敛 SOTA 声明；
• brain-tumor 只做固定 checkpoint 的 OOD 路由审计，不报告医疗检测性能；
• 单 GPU PyTorch latency 不外推到 TensorRT、ncnn 或其他硬件；
• 公开结果不包含权重、原始数据、本地路径、凭据或私人线粒体数据；
• MoT-P5 未达到相对 EsMoE 的预设增益阈值，不建议直接设为默认配置。
• utility router 未通过独立 test-dev，adaptive K 也未达到 10% 延迟阈值，均保持实验能力。