chore: remove obsolete NEW_PROJECT_PROMPT.md and update README

- 删除NEW_PROJECT_PROMPT.md（项目已初始化完成，不再需要）
- 从README项目结构中移除已删除的convert_to_yolo.py
- 将convert_to_yolo.py命令替换为analyze_temp_features.py
- 更新FAQ中关于自定义数据集的说明

NEW_PROJECT_PROMPT.md

@@ -1,106 +0,0 @@
-# 新项目初始化提示词
-
----
-
-## 项目背景
-
-这是一个从已有项目复制的新工作区。基础代码（src/, scripts/）已准备好，但需要适配新的YOLO格式数据集并重新训练模型。
-
----
-
-## 任务清单
-
-### 1. 环境验证
-
-首先验证GPU环境是否正常：
-
-```bash
-uv run python scripts/test_cuda.py
-```
-
-### 2. 准备新数据集
-
-将你的YOLO格式数据集放入 `data/` 目录：
-
-```
-data/
-└── 你的数据集/
-    ├── dataset.yaml        # 你的数据集配置
-    ├── images/
-    │   ├── train/         # 训练图像
-    │   └── val/          # 验证图像
-    └── labels/
-        ├── train/         # 训练标签
-        └── val/           # 验证标签
-```
-
-### 3. 更新数据集配置
-
-编辑 `data/你的数据集/dataset.yaml`，确保类别名称和数量正确：
-
-```yaml
-path: /完整路径/2BaseOnYOLO_InfraredData/data/你的数据集
-train: images/train
-val: images/val
-
-nc: 你的类别数量
-names: ['类别1', '类别2', ...]
-```
-
-### 4. 更新项目文档
-
-根据新数据集更新以下文件：
-- `README.md` - 更新类别信息
-- `PROGRESS.md` - 重置进度记录
-
-### 5. 训练模型
-
-```bash
-uv run python scripts/train.py train \
-    --data data/你的数据集/dataset.yaml \
-    --model-size n \
-    --epochs 50 \
-    --device 0
-```
-
-### 6. 验证模型
-
-```bash
-uv run python scripts/train.py validate \
-    --model runs/detect/models/train/infrared_fault/weights/best.pt \
-    --data data/你的数据集/dataset.yaml
-```
-
-### 7. 提交代码
-
-```bash
-git add -A
-git commit -m "完成数据集适配和新模型训练"
-```
-
----
-
-## 注意事项
-
-1. **数据集路径**: 确保dataset.yaml中的path是完整绝对路径
-2. **类别数量**: 确保nc值与names列表长度一致
-3. **标签格式**: YOLO格式为 `class_id x_center y_center width height`（归一化）
-4. **训练时间**: 50 epochs大约需要5-10分钟（取决于GPU）
-
----
-
-## 常用命令参考
-
-```bash
-# 安装依赖
-uv sync
-
-# 训练
-uv run python scripts/train.py train --data <yaml路径> --model-size n --epochs 50 --device 0
-
-# 验证
-uv run python scripts/train.py validate --model <模型路径> --data <yaml路径>
-
-# 导出模型
-uv run python scripts/train.py export --model <模型路径> --format onnx
-```

README.md

@@ -31,7 +31,6 @@
 ├── scripts/                    # 工具脚本
 │   ├── train.py              # 模型训练/验证入口
 │   ├── test_cuda.py          # CUDA环境测试
-│   ├── convert_to_yolo.py     # 数据集格式转换
 │   ├── usage_example.py       # 使用示例
 │   └── analyze_temp_features.py # ROI温度特征分析
 ├── data/                      # 数据目录
@@ -420,12 +419,12 @@ uv run python scripts/retry_download.py \
     --wait 60
 ```
 
-### 转换数据格式
+### 分析ROI温度特征
 ```bash
-uv run python scripts/convert_to_yolo.py \
-    --input-dir data/raw/images \
-    --output-dir data/infrared \
-    --whole-image
+uv run python scripts/analyze_temp_features.py \
+    --model weights/best.pt \
+    --image-dir data/valid/images \
+    --device 0
 ```
 
 ---
@@ -540,9 +539,8 @@ A: 使用retry_download.py脚本，设置更长的等待时间 (--wait 120)
 
 ### Q: 如何使用自己的数据集
 A:
-1. 将图像按类别放入不同子目录
-2. 运行convert_to_yolo.py转换格式
-3. 更新dataset.yaml中的类别名称
+1. 将YOLO格式数据集放入data/目录
+2. 更新dataset.yaml中的路径和类别名称
 
 ### Q: 如何调整故障诊断阈值
 A: