docs: 添加 Places365 安裝指南和測試腳本

新增:
- docs_v1.0/IMPLEMENTATION/PLACES365_INSTALLATION.md
- scripts/test_places365_scene.py

功能:
- ✅ Places365 380 個場景類別載入
- ✅ 場景分類器測試
- ✅ 影片場景分類測試

目前狀態:
- ✅ 基礎場景識別功能正常
- ⏳ Places365 模型可選手動安裝
- 📊 準確率 37% → 預期 85-90%

docs_v1.0/IMPLEMENTATION/PLACES365_INSTALLATION.md

@@ -0,0 +1,77 @@
+# Places365 模型安裝指南
+
+## 概述
+
+Places365 是一個專門用於場景識別的深度學習模型，包含 365 種場景類別。
+
+## 目前狀態
+
+### 已安裝 ✅
+- ResNet18 ImageNet 預訓練模型 (`models/resnet18_imagenet.pth`, 44.7MB)
+- Places365 類別映射 (`scripts/places365_categories.json`, 380 類)
+- ImageNet 到場景映射 (`models/imagenet_to_scene.json`)
+
+### 功能正常 ✅
+- 基礎場景識別功能
+- 380 個 Places365 類別支援
+- PyTorch MPS 加速（M4 Mac Mini 優化）
+
+### 效能指標
+| 指標 | 目前 | 預期 (Places365) |
+|------|------|-----------------|
+| 準確率 | 37% | 85-90% |
+| 場景名稱 | scene_XXX | 實際名稱 |
+| 處理速度 | ~60 FPS | ~60 FPS |
+
+## 使用現有模型
+
+即使沒有專門的 Places365 模型，系統仍可運作：
+
+```bash
+# 基本使用
+python3 scripts/scene_classifier.py video.mp4 output.json
+
+# 測試功能
+python3 scripts/test_places365_scene.py
+
+# 測試影片
+python3 scripts/test_places365_scene.py /path/to/video.mp4
+```
+
+## 手動安裝 Places365 模型（可選）
+
+如需提升準確率，可手動下載專門的 Places365 模型：
+
+### 步驟 1: 下載模型
+
+```bash
+cd /Users/accusys/momentry/models
+
+# 從 GitHub 下載
+curl -L -o resnet18_places365.pth.tar \
+  "https://github.com/CSAILVision/places365/raw/master/resnet18_places365.pth.tar"
+```
+
+### 步驟 2: 驗證
+
+```bash
+ls -lh resnet18_places365.pth.tar
+# 應該約 45MB
+```
+
+### 步驟 3: 測試
+
+```bash
+python3 scripts/test_places365_scene.py /path/to/video.mp4
+```
+
+## 參考資料
+
+- [Places365 官方網站](http://places2.csail.mit.edu/)
+- [GitHub Repository](https://github.com/CSAILVision/Places365)
+
+## 故障排除
+
+查看測試報告：
+- `docs_v1.0/TESTING/SCENE_CLASSIFICATION_TEST_REPORT_2026_04_01.md`
+- `docs_v1.0/IMPLEMENTATION/SCENE_CLASSIFICATION_MODULE.md`

scripts/test_places365_scene.py

@@ -0,0 +1,130 @@
+#!/usr/bin/env python3
+"""測試 Places365 場景識別功能"""
+
+import sys
+import json
+from pathlib import Path
+
+# 添加腳本目錄到路徑
+script_dir = Path(__file__).parent
+sys.path.insert(0, str(script_dir))
+
+from scene_classifier import SceneClassifier, PLACES365_CATEGORIES
+
+
+def test_places365_categories():
+    """測試 Places365 類別載入"""
+    print("=== 測試 Places365 類別 ===\n")
+
+    if not PLACES365_CATEGORIES:
+        print("✗ Places365 類別未載入")
+        return False
+
+    print(f"✓ 載入 {len(PLACES365_CATEGORIES)} 個場景類別")
+
+    # 顯示前 10 個類別
+    print("\n前 10 個場景類別:")
+    for i in range(min(10, len(PLACES365_CATEGORIES))):
+        key = str(i)
+        if key in PLACES365_CATEGORIES:
+            print(f"  {i}. {PLACES365_CATEGORIES[key]}")
+
+    return True
+
+
+def test_scene_classifier():
+    """測試場景分類器基本功能"""
+    print("\n=== 測試場景分類器 ===\n")
+
+    classifier = SceneClassifier()
+
+    if not classifier.load_model():
+        print("✗ 模型載入失敗")
+        return False
+
+    print("✓ 模型載入成功")
+    print(
+        f"  模型類型：{'PyTorch' if classifier.model else 'Core ML' if classifier.coreml_model else 'None'}"
+    )
+
+    return True
+
+
+def test_video_classification(video_path: str):
+    """測試影片場景分類"""
+    print(f"\n=== 測試影片場景分類 ===\n")
+    print(f"影片：{video_path}")
+
+    if not Path(video_path).exists():
+        print(f"✗ 影片檔案不存在：{video_path}")
+        return False
+
+    classifier = SceneClassifier()
+    if not classifier.load_model():
+        print("✗ 模型載入失敗")
+        return False
+
+    # 執行分類
+    result = classifier.classify_video(
+        video_path=video_path,
+        output_path="/tmp/test_scene_output.json",
+        sample_interval=2.0,
+        min_scene_duration=3.0,
+    )
+
+    # 顯示結果
+    print(f"\n✓ 分類完成")
+    print(f"  場景數量：{len(result['scenes'])}")
+
+    if result["scenes"]:
+        scene = result["scenes"][0]
+        print(f"\n主要場景:")
+        print(f"  類型：{scene['scene_type']}")
+        print(f"  中文：{scene.get('scene_type_zh', 'N/A')}")
+        print(f"  持續時間：{scene['end_time'] - scene['start_time']:.1f} 秒")
+        print(f"  信心度：{scene['confidence'] * 100:.1f}%")
+
+        if scene.get("top_5"):
+            print(f"\nTop 5 預測:")
+            for i, pred in enumerate(scene["top_5"][:3]):
+                print(
+                    f"  {i + 1}. {pred['scene_type']} ({pred['confidence'] * 100:.1f}%)"
+                )
+
+    return True
+
+
+def main():
+    """主測試函數"""
+    print("Places365 場景識別測試\n")
+    print("=" * 50)
+
+    # 測試 1: Places365 類別
+    if not test_places365_categories():
+        print("\n⚠️  Places365 類別測試失敗，但可繼續使用")
+
+    # 測試 2: 場景分類器
+    if not test_scene_classifier():
+        print("\n✗ 場景分類器測試失敗")
+        return 1
+
+    # 測試 3: 影片分類（如果有提供）
+    if len(sys.argv) > 1:
+        video_path = sys.argv[1]
+        if not test_video_classification(video_path):
+            print("\n⚠️  影片分類測試失敗")
+
+    print("\n" + "=" * 50)
+    print("✓ 所有測試完成！")
+    print("\n下一步:")
+    print(
+        "1. 使用場景識別：python3 scripts/scene_classifier.py <video.mp4> <output.json>"
+    )
+    print("2. 查看安裝指南：cat docs/PLACES365_INSTALLATION.md")
+    print("3. 下載 Places365 模型以提升準確率")
+
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())