2 Commits

Include renames

Author	SHA1	Message	Date
Shaun ZhouandClaude Opus 5	36fff984b7	refactor(detect): 可视化产出改为按类别分目录，与 generate_boxes 一致 ... 原先按 split 和结果类型（ok/missed/extra/none）分目录，层级太深。改成 <类别>/<图名>.png，与 runs/boxes_shap 的结构一致。类别取真值里框最多的那个； 负样本没有真值框，按文件名前缀归类（<类别>_<序号> 是 prepare_label_studio 的命名）， 认不出来放 background/。 split 与结果类型仍记在 index.csv 的列里，排序筛选即可。 Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>	2026-09-18 15:06:13 +08:00
Shaun ZhouandClaude Opus 5	788bc36ab8	feat(detect): 全量推理可视化，预测框与真值框画在一起 ... scripts/visualize_detections.py：在整个数据集上推理，绿=真值、蓝=命中的预测、 红=没对上真值的预测，按结果类型分目录（ok / missed / extra / none），再配一份 index.csv（逐图的真值数、预测数、命中数、最高置信度）与 summary.json（逐类 TP/FP/FN）。 --only errors 只输出有问题的图。 匹配逻辑放在 engine/detection.py：按置信度贪心、IoU 阈值、类别需一致，与 mAP 的规则 一致，所以图上看到的漏检误检和指标算的是同一回事。same_class=False 可以单看定位准不准 ——定位对但分类错，和完全没找到是两种问题。 train 与 val 分开放：训练集的图模型见过，那部分结果不能当泛化能力看。 Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>	2026-09-17 21:47:02 +08:00