Capitolo 2 — Inspector (Vista Esperto)

DOVE

Inspector → sezione Preset → pulsante Save… (barra azioni in basso).

TECNICO

Apre un popover con campo di testo e pulsanti Save/Cancel. Lo stato attuale di TrainingConfig viene persistito come nuovo preset personalizzato (codificato JSON, salvato a livello di app). L'operazione di salvataggio copia tutti gli 81 parametri di training più la strategia di densification attuale. Il preset finisce automaticamente nella categoria Custom, indipendentemente da quale preset integrato sia stato derivato. Nomi vuoti e input di solo whitespace vengono scartati. I nomi già esistenti non vengono rifiutati — ogni preset ha un proprio ID interno, i nomi duplicati sono tecnicamente consentiti ma in pratica confusi.

DOVE

Popover Save → campo di testo "Preset Name".

TECNICO

Semplice campo di testo con bordo arrotondato, forma larga. Il valore viene assunto come nome del preset al clic sul pulsante Save. Nessun limite di lunghezza nell'UI, ma il nome salvato deve essere codificabile in JSON e rappresentabile nelle liste UI — emoji e caratteri accentati funzionano. Il contenuto viene automaticamente resettato a stringa vuota all'apertura del popover. Il pulsante Save rimane disabilitato finché il campo dopo trim è vuoto. Non c'è auto-suggest né preimpostazione con il nome del preset attualmente attivo.

DOVE

Popover Save → pulsante Cancel (a sinistra).

TECNICO

Chiude il popover senza salvare. Scarta il contenuto del campo di testo — alla prossima apertura viene di nuovo resettato a vuoto dalla logica del pulsante Save… (I1). Stile di pulsante standard, nessuna finestra di conferma, nessuna hotkey. La TrainingConfig attuale rimane invariata, poiché il percorso di salvataggio non è stato eseguito.

DOVE

Popover Save → pulsante Save (a destra, stile prominente).

TECNICO

Attiva la persistenza effettiva. Valida nuovamente il nome non vuoto (controllo difensivo) e scrive poi la TrainingConfig attuale come JSON nella memoria dell'app. Successivamente chiude il popover. Evidenziato in blu, in grigio finché il campo di testo è vuoto. Se il salvataggio fallisce (ad es. perché la memoria dell'app è piena — molto improbabile), al momento non c'è una finestra di errore visibile; il preset semplicemente non apparirebbe al prossimo avvio dell'app.

DOVE

Inspector → sezione Preset → barra azioni → pulsante Export….

TECNICO

Esporta il preset attualmente selezionato come file .radiancepreset (internamente JSON). Disabilitato se non è selezionato alcun preset. Al clic l'app apre una finestra di salvataggio con nome file predefinito (nome preset + estensione .radiancepreset). Il formato salvato contiene l'intera TrainingConfig più metadati (nome, categoria, ID, flag built-in). Il doppio clic nel Finder apre l'app — ma non automaticamente l'importazione; l'utente deve usare il pulsante Import (I6).

DOVE

Inspector → sezione Preset → barra azioni → pulsante Import….

TECNICO

Apre una finestra di dialogo dei file che consente solo file .radiancepreset (selezione multipla disabilitata). Alla selezione il file JSON viene caricato, validato e inserito nella categoria Custom — con un nuovo ID interno per evitare collisioni con i built-in. L'importazione imposta automaticamente la categoria su Custom, anche se il preset esportato era originariamente ad es. un built-in. File danneggiati o incompatibili con uno schema di versione precedente vengono silenziosamente rifiutati, senza finestra di errore (il log della console fornisce però informazioni).

DOVE

Inspector → sezione Preset → ogni riga preset in ogni categoria.

TECNICO

Il clic su una riga preset sostituisce tutti i campi della TrainingConfig con i valori dal preset, memorizza l'ID del preset attivo e resetta lo stato modificato. Il segno di spunta attivo davanti alla riga appare solo se il preset è selezionato E non modificato. Non appena un valore viene modificato nella TrainingConfig (slider, stepper, toggle nelle altre sezioni dell'Inspector), appare un badge arancione "Modified" dopo il nome. I preset integrati non possono essere sovrascritti — in caso di modifica deve essere creata una copia propria tramite il pulsante Save (I1).

DOVE

Clic destro su ogni riga preset → prima voce "Export…".

TECNICO

Funzionalità identica a I5 (pulsante Export…), ma raggiungibile più comodamente — senza che il preset debba essere prima selezionato. Esporta direttamente il preset cliccato nella riga. Funziona allo stesso modo per tutte le categorie di preset (built-in o Custom), nessuna restrizione. L'esportazione contiene il flag built-in e la categoria originale, ma al re-import la categoria viene mappata su Custom come descritto in I6.

DOVE

Clic destro su ogni riga preset → seconda voce "Duplicate".

TECNICO

Clona il preset nella categoria Custom. Genera un nuovo ID interno, appende " Copy" al nome e salva la copia. Funziona anche per i preset integrati — il clone è poi editabile. L'originale rimane intatto. La TrainingConfig viene copiata valore per valore (roundtrip JSON), in modo che non esistano collegamenti di riferimento tra originale e copia.

DOVE

Clic destro sulle righe preset proprie → ultima voce "Delete" (rosso, distruttivo).

TECNICO

Visibile solo per preset Custom. I built-in non possono essere eliminati. La voce è contrassegnata come distruttiva, appare in rosso nel menu contestuale e viene separata da un divisore in modo da non cliccarla per errore. Non c'è alcun dialogo di conferma — un clic elimina immediatamente il preset. Il preset eliminato non è ripristinabile (Cmd-Z non funziona qui — l'annullamento esiste nella build attuale solo per la lista delle immagini, non per le operazioni sui preset). Se il preset eliminato era attualmente attivo, la TrainingConfig attuale rimane invariata, solo la selezione preset attiva viene azzerata.

DOVE

Inspector → sezione Preset → ogni header di categoria (Classic, MCMC, SceneClass, Custom).

TECNICO

Stato di richiusura per categoria con default diverso: Classic parte espanso, MCMC, SceneClass e Custom partono chiusi. Lo stato non viene persistito — al riavvio dell'app tutte le categorie sono di nuovo nello stato predefinito. La freccia chevron ruota animata. Il numero a destra nell'header mostra il numero di preset in questa categoria. L'area di hit del clic copre l'intera area dell'header.

DOVE

Inspector → Configurazione del training → Camera Alignment (picker segmentato in alto).

TECNICO

Picker segmentato con due opzioni: Apple Photogrammetry e Native (Beta). La selezione determina il backend SfM utilizzato alla prossima ricostruzione delle fotocamere. Influenza contemporaneamente quali altri elementi dell'Inspector sono visibili: Native mostra in più il FOV Override (I13), che serve solo con frame video privi di EXIF. Nota: per riprese outdoor molto grandi puoi caricare il risultato di uno strumento esterno (Metashape o COLMAP) tramite Workspace Import — vedi Capitolo 1 (M5) e Capitolo 9 (Q3, Q6).

DOVE

Inspector → Configurazione del training → FOV Override (visibile solo con Camera Alignment = Native).

TECNICO

Campo di testo numerico (range 0-170°), default 0 = determinazione automatica da EXIF o euristica. L'input manuale è necessario se le immagini di input sono state estratte da un video che non contiene metadati di lunghezza focale. Valori tipici: iPhone Wide ≈ 73°, DJI Mavic Wide-Crop ≈ 70°, drone con sensore full-frame ≈ 84°. Il valore viene limitato a [0, 170] — valori fuori vengono riportati direttamente al limite. Ha effetto solo sulla pipeline SfM nativa (Q4/Q5); Apple Photogrammetry ignora completamente questo valore.

DOVE

Inspector → Configurazione del training → Densification (picker segmentato, sempre visibile).

TECNICO

Commuta tra le due strategie di densification: Classic (metodo 3DGS originale con clone/split/prune e soglia di gradiente) e MCMC (Stochastic Gradient Langevin Dynamics con rilocazione, NeurIPS 2024). Al passaggio da Classic a MCMC l'app imposta automaticamente i campi specifici MCMC su valori di default collaudati (reg-weight = 0, MCMC cap-multiplier 3.0, sample/noise schedule). Senza questa inizializzazione automatica le sessioni con preset vecchi soffrivano del bug MCMC collapse 1.4.4 (460K→5 gaussiane, kill del watchdog). La selezione del picker determina inoltre quali elementi dell'Inspector sono visibili — con MCMC compaiono I16/I17. Effetto dettagliato dei campi nel Capitolo 6, T11–T16 (Classic) e T61–T73 (MCMC).

DOVE

Inspector → Configurazione del training → MCMC Quality (solo con Densification = MCMC).

TECNICO

Commuta l'accumulo del gradiente su 2 passi (attivo) o 1 passo (inattivo). Accumula i gradienti da due viste di fotocamera consecutive prima dell'esecuzione dello step dell'optimizer. Empiricamente (sessione 33, V544a) ciò riduce l'errore L1 finale di circa il 6% (0.0246 con Quality vs 0.0261 senza, in media su 3 trial su Horse-Full-MCMC). Il prezzo: tempo di training raddoppiato. Su training molto lunghi (200K iterazioni) ciò porta a oltre 10 minuti di attesa aggiuntiva — quindi vale la pena solo se gli ultimi punti percentuali di qualità sono davvero necessari. Ha effetto solo sul training, non sul formato di esportazione o sulla visualizzazione del viewport.

DOVE

Inspector → Configurazione del training → Auto-scale by scene (solo con MCMC).

TECNICO

Se attivo, scala il limite superiore effettivo di Max-Gaussians con SfM-init-point-count × MCMC-cap-multiplier (default 3.0). Esempio: SfM fornisce 250K initpoint, base cap = 150K, multiplier 3.0 → limite superiore effettivo = max(150K, 750K) = 750K. Se disattivato, vale rigorosamente solo la base. Introdotto per v1.4.5, perché grandi riprese outdoor con oltre 1000 frame e corrispondente alta densità di punti SfM facevano morire di fame la densification con il default rigido di 150K cap — i punti superflui rimanevano, quelli nuovi non potevano nascere. Default OFF nei preset Custom, ON nei built-in MCMC. Ha effetto solo durante il training, non nell'esportazione.

DOVE

Inspector → Configurazione del training → GroupBox → Max Iterations.

TECNICO

Stepper con range 1 000–100 000, passo 1 000. Determina il numero totale di iterazioni dell'optimizer. Correlato linearmente al tempo di training (dimezzamento = circa 50% del tempo). Sweet spot empirici: 20K (Classic Balanced, L1≈0.028), 40K (Classic Quality, L1≈0.023), 200K (MCMC Full, L1≈0.0246). Oltre 40K con Classic in media non porta quasi alcun miglioramento — diminishing returns. Alla modifica, se la funzione di link (I19) è attiva, Densify Until viene tirato proporzionalmente (rapporto di default: 0.5, ossia Densify Until = Max/2).

DOVE

Inspector → Configurazione del training → GroupBox → piccolo pulsante Link tra Max Iterations e Densify Until.

TECNICO

Pulsante toggle che congela il rapporto tra Densify Until e Max Iterations. Con attivo (icona link evidenziata) a ogni modifica di Max Iterations Densify Until viene tirato proporzionalmente. Con unlink (icona link-plus) i valori rimangono indipendenti. Default è linked, perché ciò riflette la correlazione tipica — se tiri il training su iterazioni doppie, di solito vuoi anche far girare la densification proporzionalmente più a lungo. Il rapporto viene calcolato all'impostazione del pulsante link dal valore attuale; un rapporto tipico è 0.5 (Densify Until = metà del numero di iter).

DOVE

Inspector → Configurazione del training → GroupBox → Densify Until.

TECNICO

Stepper con range 500–50 000, passo 500. Determina l'indice di iterazione a partire dal quale non vengono più aggiunte nuove gaussiane tramite clone/split (Classic) o rilocazione (MCMC). Al raggiungimento vengono raffinate solo posizione e colore. Valori più alti = più gaussiane = file più grande, tempo per iterazione più lungo (+30-60% di tempo GPU per passo). Valori tipici: 15K (per 30K Max Iter), 20K (per 40K), 100K (per 200K MCMC). Con link attivo (I19) automaticamente scalato. Ha effetto diverso con Classic vs MCMC: Classic ferma completamente la crescita, MCMC ferma la logica di rilocazione, ma l'adattamento di sample/noise prosegue.

DOVE

Inspector → Configurazione del training → GroupBox → SSIM Weight.

TECNICO

Slider 0.0–1.0 in passi di 0.05, visualizzazione come "0.20". Mescola loss L1 (0.0) e loss SSIM (1.0). L1 stringe la luminosità per pixel, SSIM la somiglianza strutturale (bordi, statistiche locali). Il default 0.2 è il valore del paper 3DGS originale (Kerbl 2023) e reverse-engineered come compromesso robusto in numerose sessioni. Valori più alti (0.5+) preferiscono la conservazione del dettaglio, ma possono ignorare errori locali di luminosità. Valori più bassi (< 0.1) portano alla perdita di dettaglio sui bordi netti. Il calcolo SSIM avviene nello shader con una finestra Gaussian 11×11. Prestazioni: a 0.0 (solo L1) il training è circa 8-12% più veloce, perché il calcolo SSIM viene saltato nello shader.

DOVE

Inspector → Configurazione del training → GroupBox → Render Scale.

TECNICO

Slider 0.25–1.0 in passi di 0.25, visualizzazione come "100%". Scala la risoluzione di rendering di training relativa alla dimensione dell'immagine sorgente. La più grande leva sulle prestazioni: 50% riduce il tempo GPU di circa il 75% (perché 4× meno pixel), 25% di circa il 94%. La soglia del gradiente viene scalata automaticamente. Sotto lo slider appare una visualizzazione live della risoluzione in MP (ad es. "2304×1296 (3.0 MP)"). Se il valore attuale si discosta da quello raccomandato, viene mostrato in arancione "— recommended: 50%". La raccomandazione mira a ~3 MP di risoluzione effettiva — l'intervallo elaborato più efficientemente dalle GPU Apple Silicon. Le immagini sorgente 4K ricevono ad es. automaticamente 25% raccomandato, le immagini FullHD 100%. Una modifica attiva inoltre la riallocazione del buffer.

DOVE

Inspector → Enhancements → Post-Training Compactification.

TECNICO

Attiva il post-processing V443: dopo la conclusione delle iterazioni di training vengono eliminate le gaussiane con opacità sotto 0.01 (1% di visibilità). Empiricamente ciò riduce la dimensione del file di ~55-58% senza perdita di qualità visibile — perché queste gaussiane non contribuiscono comunque visivamente. La compactification viene eseguita come pass compatto GPU e dura a seconda del gaussian count frazioni di secondo a pochi secondi. Non influenza le prestazioni del training. Quando questo toggle è spento, vengono esportate anche le gaussiane invisibili — rilevante solo se vuoi usare il formato per un ulteriore stadio di training (Continue Training), altrimenti spreco di memoria.

DOVE

Inspector → Enhancements → MetalFX Spatial Upscaling.

TECNICO

Attiva l'upscaler spaziale MetalFX di Apple nel renderer del viewport. Se la risoluzione di training (tramite I22 Render Scale) è inferiore alla dimensione del viewport, MetalFX scala il frame renderizzato basato su ML alla dimensione di visualizzazione. Fornisce i risultati più nitidi di tutte le opzioni di scaling, perché il modello upscaler ML è ottimizzato per bordi netti. La pipeline del renderer viene riconfigurata in diretta al cambio — visibile immediatamente, senza riavvio. Ha la precedenza su MPS Lanczos (I28): se entrambi sono attivi vince MetalFX. Overhead di prestazioni nel viewport circa 1-2ms per frame su GPU M3. Ha effetto solo sul live viewport, non sulle esportazioni renderizzate (video orbit, screenshot) — che vengono renderizzate a piena risoluzione sorgente.

DOVE

Inspector → Enhancements → MPS Lanczos Scaling.

TECNICO

Attiva i Metal Performance Shaders di Apple con ricampionamento Lanczos come upscaler del viewport. Lanczos è il ricampionamento classico con filtro 8-tap sinc — più nitido del bilineare, algoritmo classico senza ML. La pipeline del renderer viene riconfigurata in diretta al cambio. Viene ignorato se MetalFX (I27) è anch'esso attivo. Overhead minimo (<0.5ms per frame), ma la qualità è inferiore a MetalFX. Applicazione: fallback per scene in cui MetalFX produce artefatti (ad es. strutture lineari forti che l'upscaler ML occasionalmente "appiana"). Ha effetto come I27 solo nel live viewport, non nelle esportazioni.

DOVE

Inspector → Enhancements → Perceptual Loss.

TECNICO

Slider 0.0–0.2 in passi di 0.01, visualizzazione a 0.0 come "Off", altrimenti come "0.05" ecc. Attiva un termine di loss aggiuntivo che confronta il Gaussian blur multi-scala del rendering con l'immagine ground truth (3 scale di blur). Cattura differenze strutturali che L1+SSIM da soli non riconoscono. Implementazione V460. Empiricamente un valore di 0.05-0.1 migliora lo score L1 nelle sessioni di qualche punto percentuale, ma costa ~5% di tempo di training (forward pass aggiuntivo attraverso i blur kernel). Sopra 0.15 il training diventa instabile e L1 peggiora di nuovo (il termine di loss domina l'ottimizzazione). Ha effetto durante il training, non nel post-processing — nonostante la posizione nella sezione "Enhancements" non è dunque un puro miglioramento successivo.

DOVE

Inspector → Metriche → Iteration. Sola lettura.

TECNICO

Visualizzazione nel formato "4523 / 40000" — iterazione attuale su iterazioni totali pianificate. Conta sincrono con il loop di training, che spinge i valori ogni ~30 iter. Il secondo numero corrisponde al valore Max Iterations al momento dell'avvio; non cambia più anche se l'utente regola lo stepper dopo — l'esecuzione in corso usa la sua copia snapshot. Se l'app aggiunge iterazioni tramite il menu Training (Continue Training +5K/+10K/+20K), il denominatore aumenta.

DOVE

Inspector → Metriche → Loss. Sola lettura.

TECNICO

Valore float con sei decimali (ad es. "0.024385"). Misura il loss combinato L1+SSIM (mix controllato tramite I21 SSIM Weight) più opzionalmente Perceptual Loss (I29) e altri regolarizzatori. La scala non è assoluta, ma dipende dalla scena — richiede lo stesso dataset per la maggior parte dei confronti. Valori finali tipici con buone configurazioni: - Classic Quality 40K iter: 0.022–0.025 (Horse, Truck, Garden) - MCMC Full 200K iter: 0.024–0.028 - Outdoor drone 30K: 0.030–0.060 (peggiore per motivi di geometria) - Indoor appartamenti: 0.018–0.025

Valori sopra 0.10 dopo 5K iterazioni indicano problemi SfM (pose della fotocamera scadenti) — interrompi e ricalcola l'SfM.

DOVE

Inspector → Metriche → Learning Rate. Sola lettura.

TECNICO

Visualizzazione in notazione scientifica (ad es. "1.60e-04"). Learning rate attuale per i parametri di posizione (3DGS ha sei LR indipendenti per posizione, SH-DC, SH-Rest, opacità, scala, rotazione — qui viene mostrata la posizione LR come dimensione rappresentativa). Valore iniziale predefinito 1.6e-4, che attraverso un decadimento esponenziale scende a ~1.6e-6 alla fine del training. Il decadimento è regolabile tramite il campo LR-schedule nella configurazione del training (campo T nel Cap. 6). Se la LR rimane insolitamente alta (ad es. 1e-3 o più dopo 10K iterazioni), potrebbe indicare una configurazione caricata in modo errato.

DOVE

Inspector → Metriche → SH Degree. Sola lettura.

TECNICO

Intero 0-3. Grado di spherical harmonics per la rappresentazione del colore. Parte da 0 (solo la componente DC, ossia colore indipendente dalla direzione per gaussiana — quindi solo una costante RGB) e cresce progressivamente fino a 3 nel corso del training. Lo schedule standard solleva il grado di 1 a 1000/2000/3000 iterazioni. SH-3 corrisponde a 48 coefficienti di colore per gaussiana (3 canali RGB × 16 funzioni base SH). Grado SH più alto = più riflessione dipendente dalla direzione (le superfici lucide appaiono correttamente diverse da angoli di visualizzazione differenti), ma anche più memoria e training più lento.

DOVE

Inspector → Metriche → Gaussians. Sola lettura.

TECNICO

Numero attuale di gaussiane nel modello, formattato con separatore di locale (ad es. "524.318"). Crescita: - Classic: parte dagli initpoint SfM (tipico 50K-300K), cresce tramite clone/split fino a poco prima di Densify Until, poi statico fino alla fine del training (modulo pruning) - MCMC: i sample point vengono aggiunti fino al cap MCMC, poi solo rilocazione

Valori finali sani: - Classic Quality: 400K-700K (Horse 524K, Garden 800K) - MCMC Full: esattamente al cap (default 150K, con auto-scale multiplier × SfM count a seconda della scena 500K-1.5M)

Con MCMC il numero scende al < 60% del cap → anomalia (indicatore di collapse, indica regolarizzatori troppo aggressivi).

DOVE

Inspector → Metriche → GPU Memory. Sola lettura.

TECNICO

Stima del consumo di memoria del buffer gaussiano come gaussian count × 616 byte (formattato in stile memoria). 616 byte è la dimensione empirica di una gaussiana completamente equipaggiata (posizione, scala, rotazione, opacità, coefficienti SH grado 3, accumulatore di gradiente). La visualizzazione non cattura l'overhead del renderer (tile buffer, sort buffer, backward buffer) — il consumo reale di memoria GPU è tipicamente 2-3× sopra questo valore. A 500K gaussiane: visualizzato ~290 MB, reale ~700 MB. A 1.5M gaussiane: visualizzato ~880 MB, reale ~2.5 GB. Su M3 Max con 64+ GB di memoria unificata non critico, su M3 Pro con 18 GB già un limite.

DOVE

Inspector → Metriche → Speed. Sola lettura.

TECNICO

Iterazioni al secondo con una cifra decimale ("24.3 it/s"). Calcolato dal trainer come media mobile sulle ultime ~100 iterazioni. Valori tipici: - Preset Quick (1K iter): 80-120 it/s (breve, nessuno steady state) - Classic 20K @ 1.0 Render Scale (scena Truck, M3 Max): 25-35 it/s - Classic 20K @ 0.5 Render Scale: 80-120 it/s - MCMC 200K @ 0.5 Render Scale: 25-50 it/s (più lento per la rilocazione) - Con 1M+ gaussiane e risoluzione piena: < 10 it/s

Speed in calo nel corso del training è normale — più gaussiane = più compute per iterazione. Crolli improvvisi (ad es. da 30 → 5 it/s) indicano thermal throttling della GPU o app concorrenti.

DOVE

Inspector → Metriche → Elapsed. Sola lettura.

TECNICO

Tempo già trascorso come "4:23" (m:ss) o "1:23:45" (h:mm:ss). Cambio di formato a partire da 1 ora. Misura solo il puro tempo di training, non le fasi precedenti (calcolo SfM, importazione immagini). Con pausa/resume il cronometro continua — è quindi wall clock, non tempo CPU.

DOVE

Inspector → Metriche → ETA. Sola lettura.

TECNICO

Tempo residuo stimato come "17:42" o "1:12:35". Calcolo: (Max Iterations − iterazione attuale) / iterazioni-al-secondo. Mostra "–" se la velocità è attualmente zero (proprio all'inizio o in pausa). La stima non viene adattata al tipico rallentamento verso la fine del training — soprattutto con MCMC e Classic con grandi valori di Densify Until il training tende a diventare più lento, perché entrano sempre più gaussiane nell'immagine. In realtà rimane tipicamente 10-20% sopra l'ETA iniziale.

DOVE

Inspector → Grafico di perdita → area etichetta sinistra "Current: 0.0287". Sola lettura.

TECNICO

Valore float dell'ultimo loss sample point, formattato con quattro decimali. Identico a I31 (Loss nella sezione Metriche), solo qui formattato in modo più compatto. La fonte è la Loss History — una lista che riceve una voce ogni ~30 iterazioni. Solo valori finiti vengono inseriti nella lista — NaN/Infinity (molto raro, in caso di un bug di gradient explosion) vengono filtrati.

DOVE

Inspector → Grafico di perdita → area etichetta destra "Min: 0.0245" (verde). Sola lettura.

TECNICO

Minimo di tutti i valori loss mai visti dell'esecuzione di training attuale. Viene ricalcolato dal vivo dalla Loss History — nessuna persistenza separata. Viene rappresentato in verde, perché "Min" = "Best so far". La linea verde tratteggiata sul bordo inferiore del grafico segna visivamente questa posizione Y. In sessioni di Continue Training il tracking del minimo riparte — la vecchia history nell'UI viene sostituita da quella nuova (non appesa). Se il training attuale procede peggio del precedente, la visualizzazione Min può quindi essere più grande del risultato finale precedente.

DOVE

Inspector → Grafico di perdita → secondo grafico sotto (arancione). Sola lettura.

TECNICO

Grafico a linee del numero di gaussiane sulle iterazioni di training. Fonte: la Gaussian Count History (lista di coppie (iter, count), riempita dal trainer ogni ~30 iter). Scala Y dinamica tra minimo e massimo della history. Con strategia Classic la curva appare tipicamente così: in costante aumento fino a Densify Until, poi piatta (con piccole oscillazioni di pruning). Con MCMC: salita ripida fino al cap, poi linea orizzontale (la rilocazione mantiene il numero costante). Se la curva scende nonostante il training attivo, la densification fa pruning troppo aggressivo — indizio di default sbagliati o di un noto bug MCMC collapse (tema dell'hotfix 1.4.4).