chore: initial commit for Infrared Equipment Detection System

- Add YOLO-based infrared thermal image detection system - Add dataset configuration (dataset.yaml) with 12 equipment classes - Add training, validation and detection scripts - Add temperature feature extraction and fault diagnosis modules - Update README and CLAUDE.md with correct dataset paths - Optimize .gitignore to track dataset.yaml while ignoring large data files
2026-03-26 21:36:08 +08:00
commit fd1a5f4050
19 changed files with 2920 additions and 0 deletions
@@ -0,0 +1,106 @@
+# 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
+```