学習済み検出モデルを別環境（ブラウザ等）へ配備すると、同じ画像でも信頼度が学習環境より一律に低く出ることがある。原因の定番が「縮小時の補間方式の不一致」: ブラウザ canvas の描画品質を最高に設定すると面積平均（INTER_AREA 相当）になる一方、学習パイプライン（YOLO 系の標準前処理など）は bilinear（INTER_LINEAR）で縮小しており、推論入力が学習分布から外れる。実測では同一重み・同一画像で bilinear 0.67 に対し area 0.59 と、判定閾値をまたぐ差が出た。

判断基準

• 症状が「特定の対象だけ落ちる」なら教材の問題、「全体的に信頼度が低め」なら前処理差を先に疑う
• 「高品質な縮小 = 良い」ではない。推論前処理の正解は品質でなく学習分布との一致
• fine-tune の反復で症状を追う前に前処理整合を検証する。前処理側の修正はモデル不変で全対象に効き、モデル側の反復は別対象の退化（シーソー）を招きやすい

切り分け手順

1. 配備先の前処理（段階縮小・letterbox・パディング色など）をオフラインの学習環境側で忠実に再現する
2. 補間方式（bilinear / area / 段階縮小の有無）だけを変えた入力を作り、同一重みで信頼度を比較する
3. 配備先の実測値に最も近い方式が「配備先が実際にやっていること」。学習側の方式と違えば不一致が確定

検証

修正後は配備先の実経路（E2E テスト等）で信頼度が学習環境側の値に近づいたことを確認する。境界個体（閾値付近だった対象）が閾値を安定して超えるかを見る。