# data

存放数据集本体或指向数据集的软链接；除本文件外的内容都不入库（见 .gitignore）。

**原始数据一律放在 `data/raw/<数据集名>/` 下**，派生数据（如按聚类结果导出的数据集）
放在 `data/` 下与 `raw/` 平级，两者一眼可分：

```
data/
├── raw/                        # 原始数据，只读
│   └── film/
│       ├── images/             # 原图（或指向 NAS 的软链：ln -s /mnt/nas/film/images data/raw/film/images）
│       │   ├── train/0001.png
│       │   └── val/0002.png
│       ├── labels/             # 与 images 目录结构一一对应
│       │   ├── train/0001.txt
│       │   └── val/0002.txt
│       └── data.yaml           # path / train / val / nc / names
└── film_r18_cluster_k4/        # 派生：scripts/export_clusters.py 的产物
    ├── 0/ 1/ 2/ 3/
    └── manifest.json
```

标注采用 **YOLO 风格**：`images/` 下每张图在同层 `labels/` 里有一个同名 `.txt`。

标注文件每行一个目标，坐标**相对图像宽高归一化**到 [0, 1]，中心点格式：

```
<class_id> <cx> <cy> <w> <h>
0 0.312500 0.204688 0.087500 0.065625
1 0.640625 0.712500 0.120000 0.093750
```

- `class_id` 是 `data.yaml` / 配置里 `classes` 的下标，顺序即含义，改动必须重新训练。
- **空文件或缺失 `.txt` = 无缺陷样本（OK 片）**，会作为纯负样本参与训练。
- 也接受 YOLO 分割格式的多边形行（`class_id x1 y1 x2 y2 ...`），读取时取外接矩形。

`data.yaml` 与 ultralytics 通用：

```yaml
path: data/raw/film
train: images/train
val: images/val
nc: 5
names: {0: scratch, 1: bubble, 2: particle, 3: crease, 4: stain}
```

配置里的 `classes` 既可以直接写类别列表，也可以写成 `data/raw/film/data.yaml` 由框架读取 `names`。

## 还没分类的样本

`data/raw/film` 下按人工整理留下的目录（`grease`、`wrinkle`、`反面纵黑点` ……）只是历史产物，
不是最终类别。要重新梳理类别时用无监督聚类，它会忽略这些目录名、把所有图拉平处理：

```bash
uv run python scripts/cluster_unlabeled.py --config configs/cluster/film.yaml
```

结果里的 `clusters/cluster_XX/` 是软链目录，人工确认后再决定每个簇对应什么缺陷、
以及是否要合并/拆分。

## 从其它格式转过来

```bash
# labelme / VOC -> YOLO txt（顺带生成 data.yaml）
uv run python scripts/convert_annotations.py --format labelme \
    --input data/raw/film/labelme --images data/raw/film/images \
    --output data/raw/film/labels --data-yaml data/raw/film/data.yaml

# 划分 train / val（默认建软链，不复制数据）
uv run python scripts/split_dataset.py --images data/raw/film/images \
    --labels data/raw/film/labels --val-ratio 0.2 --data-yaml data/raw/film/data.yaml
```