docs: remove obsolete dataset download scripts from README

README.md

@@ -404,21 +404,6 @@ uv run python scripts/train.py export \
     --format onnx
 ```
 
-### 下载数据集
-```bash
-uv run python scripts/download_dataset.py \
-    --urls-file data/dataurls.txt \
-    --output-dir data/raw/images
-```
-
-### 重试下载失败文件
-```bash
-uv run python scripts/retry_download.py \
-    --urls-file data/dataurls.txt \
-    --output-dir data/raw/images \
-    --wait 60
-```
-
 ### 分析ROI温度特征
 ```bash
 uv run python scripts/analyze_temp_features.py \
@@ -429,51 +414,6 @@ uv run python scripts/analyze_temp_features.py \
 
 ---
 
-## 开发流程
-
-### 阶段一：项目初始化与环境配置
-
-1. 使用uv初始化项目
-2. 配置PyTorch CUDA环境
-3. 安装ultralytics YOLO框架
-4. 验证GPU环境可用性
-
-### 阶段二：数据集准备
-
-1. 下载SCIDB红外图像数据集
-2. 按类别组织图像目录
-3. 转换为YOLO格式
-4. 创建dataset.yaml配置文件
-
-### 阶段三：模型训练
-
-1. 选择YOLOv8n作为基础模型
-2. 配置训练参数
-3. 启动GPU训练
-4. 监控训练指标 (mAP, Precision, Recall)
-5. EarlyStopping防止过拟合
-
-### 阶段四：ROI温度特征提取
-
-1. 实现温度统计特征 (max/min/mean/std/median)
-2. 实现温度直方图特征
-3. 实现温度梯度特征
-
-### 阶段五：故障诊断Pipeline
-
-1. 整合检测+温度提取
-2. 定义故障分类规则
-3. 实现批量诊断功能
-4. 输出结构化JSON结果
-
-### 阶段六：测试与验证
-
-1. 端到端Pipeline测试
-2. 批量图像诊断测试
-3. 性能指标验证
-
----
-
 ## 技术栈
 
 | 组件 | 技术/版本 |
@@ -534,9 +474,6 @@ names: ['bushing', 'arrester', 'breaker', 'clamp', 'conservator',
 ### Q: 训练时GPU内存不足
 A: 减小batch大小或使用更小的模型 (--batch 8 --model-size n)
 
-### Q: 下载失败429错误
-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YOLO格式数据集放入data/目录