Shaun ZhouandClaude Opus 5
86c86b105c
实际工作流是：simclr 训练 -> 聚类 -> 人工归类 -> 分类训练 -> GradCAM/SHAP 生成
热力图与 box。据此移除不参与其中的检测/定位链路，共 31 个文件、约 2600 行：
- 模型：defect_net、postprocess、necks/、heads/center_head
- 数据：film_defect（YOLO 读取端）、target_encoder
- 引擎：trainer、evaluator、losses
- 入口：train.py、eval.py
- 脚本：convert_annotations、split_dataset、export_onnx、profile_inference
- 配置：configs/{train,eval,model,dataset}
- utils/labels（多类/单类标签模式，仅检测分类头使用）
共享模块按实际用量瘦身：engine/metrics 只留 AverageMeter（检测指标随之移除）；
datasets/yolo 只留写出侧（IMAGE_SUFFIXES 与 write_data_yaml）——第 5 步产出的
YOLO 标签是给外部检测训练用的交换格式，读取端不再需要。
裁剪过程中修掉一个真 bug：generate_boxes 的 --stage 默认 6（layer3）对 tiny_conv
这类非 nn.Sequential 骨架直接抛异常。现在自动退回骨架最终输出并警告，
另加 --stage -1 显式选择最终输出。
五步工作流已端到端实跑验证（simclr 1 轮 -> 聚类 -> 导出 -> 分类 1 轮 ->
gradcam 与 shap 两种方法各生成一遍）。
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
22 lines
554 B
Python
22 lines
554 B
Python
"""训练与分析流程：自监督、聚类、分类、归因定位。"""
|
|
|
|
from engine.checkpoint import load_checkpoint, save_checkpoint
|
|
from engine.classification import (
|
|
ClassificationMetric,
|
|
ClassificationTrainer,
|
|
class_weights,
|
|
)
|
|
from engine.optim import build_optimizer, build_scheduler
|
|
from engine.simclr import SimCLRTrainer
|
|
|
|
__all__ = [
|
|
"ClassificationTrainer",
|
|
"ClassificationMetric",
|
|
"class_weights",
|
|
"SimCLRTrainer",
|
|
"build_optimizer",
|
|
"build_scheduler",
|
|
"save_checkpoint",
|
|
"load_checkpoint",
|
|
]
|