# 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
```