SkyLi
fd1a5f4050
- 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
2.3 KiB
2.3 KiB
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：
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：
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
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
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
git add -A
git commit -m "完成数据集适配和新模型训练"
注意事项
- 数据集路径: 确保dataset.yaml中的path是完整绝对路径
- 类别数量: 确保nc值与names列表长度一致
- 标签格式: YOLO格式为
class_id x_center y_center width height（归一化） - 训练时间: 50 epochs大约需要5-10分钟（取决于GPU）
常用命令参考
# 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