 Shaun ZhouandClaude Opus 5
|
af0897f8c7
|
refactor(detect): 数据集改为扁平结构、不划分 train/val，Label Studio 文件放到根目录
prepare_yolo_dataset.py 的产出先导入 Label Studio 复核，划分留到复核之后，于是：
- 去掉按类别分层的 train/val 切分以及 --val-ratio / --seed，images/ 与 labels/
下直接是文件；name_map.csv 去掉 split 列，summary.json 的逐类数量改为单列。
- label_studio/ 子目录的内容上移一层：扁平的数据集本身就是 label-studio-converter
要求的 <input>/{images,labels,classes.txt}，tasks.json 与 labeling config 直接
生成在根目录，不再需要额外的硬链接视图，DOCUMENT_ROOT 即数据集根目录。
- data.yaml 的 train 与 val 只能指向同一个 images/。ultralytics 能读，但验证指标
算的是训练集本身，mAP 虚高、早停与 best.pt 的选择失真。脚本结束时告警，
detect.py 检测到 train == val 时也告警。
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
|
2026-09-15 17:19:53 +08:00 |
|
|
Shaun ZhouandClaude Opus 5
|
8dc2fe6a2e
|
feat(detect): 把弱监督框数据集链接到 data/ 并接上 YOLO 训练
第五步产出的框标签按类别分目录，便于人工核对；检测训练要的是 train/val
划分——类别写在标签第一列，不靠目录名。补上两个入口：
- scripts/prepare_yolo_dataset.py：拍平类别目录、按类别分层切分、硬链接到
data/。分层是必需的，black 只有 53 张，随机切容易让小类在验证集里挂零。
无框的图默认保留（检测训练里是压低误检的负样本）；拍平后的同名冲突直接
报错而不是静默覆盖。
- detect.py + configs/detect/film.yaml：包一层 ultralytics，沿用本仓库的
配置继承、设备解析与 SwanLab 可视化。
选 YOLOv8 而不是 v11/v12：CLAUDE.md 限定只用 convolution 模型，YOLO11 骨架
里有 C2PSA、YOLO12 以注意力为主，只有 v8 的 C2f + SPPF 是纯卷积。
mosaic/mixup 关掉——每张图只有一个弱监督框，拼接后小目标被缩得更小，对
blackdot/whitedot 这类只占千分之几面积的类别是净伤害。
ultralytics 的 project 必须传绝对路径，相对路径会被它再拼到全局 settings
的 runs_dir 上，产出会跑到 runs/detect/runs/detect/<name> 去。
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
|
2026-09-11 12:05:50 +08:00 |
|