SvelteKit Superforms中$posted状态管理的修复与优化

附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[二维码(QR CODE)] · 训练集：900 张 · 验证集：106 张 · 测试集：106 张 · 总计：1112 张 该数据集聚焦于日常商业场景中二维码的高精度识别需求，涵盖食品饮料标签、电子产品包装、物流单据及办公环境中的各类载体，具有高度现实应用价值，可有效支撑零售溯源、智能仓储、移动支付及防伪验证等实际业务流程。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 36 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9137** mAP50-95 | 0.6307 Precision | 0.9145 Recall | 0.8365 train/box_loss | 1.2025 train/cls_loss | 0.5806 val/box_loss | 1.2323 val/cls_loss | 0.8246 【训练过程分析】 经过整整三个月的训练，终于在第36个epoch后，模型的mAP50数值达到了0.9137，这真是个挺让人欣慰的结果。但不得不说，这过程真是熬人。一开始，loss曲线像脱缰的野马，降速极快，让人信心满满；但到了中期，这野马却忽东忽西，走走停停，像是在山间迷路，让人焦头烂额。到了后期，loss曲线又渐渐平稳下来，像极了山河渐稳，让人松了一口气。最后，当所有指标趋于稳定，看着mAP50-95还徘徊在0.63... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。