用途
该技能用于对俯视拍摄的农田或无人机 RGB 图像进行分层全景分割，典型场景为甜菜等作物、PhenoBench 风格数据集。任务是把图像划分为土壤、作物、杂草三类语义，并进一步给出作物植株实例和作物叶片实例。
输入与输出
输入：uint8 RGB 图像，形状为 (n, H, W, 3)，通常还附带少量标注图像（语义、植株与叶片实例、可选可见性图）。
输出：一个字典，包含与输入同尺寸的整数数组 (n, H, W)：
- semantics：0 表示土壤，1 表示作物，2 表示杂草；标签 3/4 分别计入 1/2。
- plant_instances：植株实例。
- leaf_instances：叶片实例，id >= 1，0 表示无。
质量指标
PQ+，以百分比表示，越高越好：取土壤 IoU、杂草 IoU、作物植株 PQ 与作物叶片 PQ 的均值，重度遮挡的实例会被过滤。可用 scilib.phenoseg.pq_plus(pred, gt) 在本地对已标注图像打分。
主要能力与库
可通过 scienceclaw_tools(operation=show|weights) 查看。
CPU 方案：scilib.phenoseg.fit_predict(train_images, train_semantics, targets)，采用 LightGBM 像素分类器加水域（watershed）实例，包含 fit_pixel_classifier、predict_probs、oof_probs、panoptic_from_probs、growth_scale 等部分。
变体：
- phenoseg_deep.fit_predict_deep（DINOv2，资源 dinov2_base / dinov2_large）。
- phenoseg_sam.fit_sam_selector 与 predict_sam_panoptic（SAM 2.1，资源 sam2_hf，需 GPU）。
预训练模型（使用前需用 available() 检查）：
- phenoseg_m2f.predict_panoptic（Mask2Former，资源 phenobench_m2f）。
- phenobench_weyler.predict_panoptic（资源 phenobench_weyler；仅作物植株与叶片，不含杂草）。
- phenoseg_hapt.predict_panoptic（资源 hapt）在花椰菜上训练，仅作为跨域诊断使用。
算子：field_panoptic_segmentation_pixel_lgbm、field_panoptic_segmentation_m2f、field_panoptic_score_pq_plus。
使用方式与路线
基线：使用过绿（excess-green）阈值加连通组件。随后可依次尝试像素分类器、DINOv2 / SAM 变体，以及在准备就绪时使用预训练 Mask2Former。在留出的已标注图像上用 pq_plus 进行比较。
规则与限制
- 验证时按拍摄或田块分折（oof_probs(..., groups=...)），不要按随机像素划分；不要在被预测的图像上调参。
- 发布的 PhenoBench 检查点是在 PhenoBench 自身上训练的（Mask2Former：官方训练分区，1,407 张图像），因此来自该数据集的图像不构成留出证据，需披露这一重叠。
- 实例大小取决于生长阶段与分辨率，应从标注数据中获取（model.plant_size、growth_scale）。
- 必须严格保持上述形状、整数 dtype 与标签取值。
适用场景
适用于农田或无人机俯视 RGB 图像的作物/杂草语义分割与植株、叶片实例分割，尤其是 PhenoBench 风格数据。跨域使用（如 HAPT 花椰菜模型）仅作诊断，不宜作为正式结果。