Doni/OrangePi3588Media
5
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

增加训练模型需要的目录和脚本

Browse Source
This commit is contained in:
haotian 2026-03-13 11:05:39 +08:00
parent 9658b29fca
commit 9de41aed90
8 changed files with 829 additions and 2 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

4
configs/full_pipeline_1080p.json
View File

@ -105,14 +105,14 @@
"model_w": 768,
"model_h": 768,
"num_classes": 11,
"conf": 0.2,
"conf": 0.1,
"nms": 0.45,
"debug": {
"stats": true,
"stats_interval": 30,
"detections": true
},
"class_filter": [3, 6]
"class_filter": [3, 6, 10]
},
{
"id": "tracker",

156
train/01_download_dataset.py Normal file
View File

@ -0,0 +1,156 @@
#!/usr/bin/env python3
"""
下载 Roboflow Safety Shoes Detection 数据集
使用方法:
python 01_download_dataset.py --api-key YOUR_API_KEY
或者手动下载:
1. 访问 https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg
2. 点击 Download → 选择 YOLOv8 格式
3. 解压到 datasets/ 目录
"""
import argparse
import os
import sys
from pathlib import Path
def download_with_roboflow(api_key: str, dataset_dir: str = "datasets"):
"""使用 Roboflow API 下载数据集"""
try:
from roboflow import Roboflow
except ImportError:
print("错误: 未安装 roboflow 包")
print("请运行: pip install roboflow")
sys.exit(1)
print("="*60)
print("正在下载 Safety Shoes Detection 数据集...")
print("="*60)
try:
rf = Roboflow(api_key=api_key)
project = rf.workspace("nedrick-chandra-gpg1l").project("safety-shoes-detection-5qgkg")
dataset = project.version(2).download("yolov8", location=dataset_dir)
print(f"\n✓ 数据集下载完成: {dataset.location}")
return dataset.location
except Exception as e:
print(f"\n✗ 下载失败: {e}")
print("\n请尝试手动下载:")
print("1. 访问 https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg")
print("2. 点击 'Download' → 选择 'YOLOv8' 格式")
print("3. 解压到 datasets/ 目录")
return None
def modify_yaml_for_single_class(dataset_path: str):
"""修改为单类检测配置"""
yaml_path = os.path.join(dataset_path, "data.yaml")
if not os.path.exists(yaml_path):
print(f"警告: 找不到 {yaml_path}")
return False
with open(yaml_path, 'r') as f:
content = f.read()
# 创建新的单类配置
new_content = """# 单类鞋子检测数据集配置
# 原数据集: Safety Shoes Detection (Roboflow)
# 修改: 合并 safety-shoes 和 no-safety-shoes 为单一的 shoe 类别
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 1
names: ['shoe']
# Roboflow 元信息
roboflow:
workspace: nedrick-chandra-gpg1l
project: safety-shoes-detection-5qgkg
version: 2
license: CC BY 4.0
url: https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg/dataset/2
"""
# 备份原文件
backup_path = yaml_path + ".backup"
with open(backup_path, 'w') as f:
f.write(content)
# 写入新配置
with open(yaml_path, 'w') as f:
f.write(new_content)
print(f"✓ 已修改为单类检测: {yaml_path}")
print(f" 原配置备份: {backup_path}")
return True
def check_dataset_structure(dataset_path: str):
"""检查数据集结构是否正确"""
required_dirs = ['train/images', 'train/labels', 'valid/images', 'valid/labels']
print("\n检查数据集结构...")
for dir_name in required_dirs:
full_path = os.path.join(dataset_path, dir_name)
if os.path.exists(full_path):
count = len(os.listdir(full_path))
print(f" ✓ {dir_name}: {count} 个文件")
else:
print(f" ✗ {dir_name}: 不存在")
return False
return True
def main():
parser = argparse.ArgumentParser(description="下载 Safety Shoes Detection 数据集")
parser.add_argument("--api-key", help="Roboflow API Key")
parser.add_argument("--dir", default="datasets/safety-shoes-detection",
help="数据集保存目录")
parser.add_argument("--no-modify", action="store_true",
help="不修改 data.yaml（保持原始类别）")
args = parser.parse_args()
# 如果提供了 API key，使用 API 下载
if args.api_key:
dataset_path = download_with_roboflow(args.api_key, args.dir)
if dataset_path is None:
sys.exit(1)
else:
# 检查是否已手动下载
dataset_path = args.dir
if not os.path.exists(dataset_path):
print(f"错误: 找不到数据集目录 {dataset_path}")
print("\n请使用以下方式之一获取数据集:")
print("1. 使用 API 下载: python 01_download_dataset.py --api-key YOUR_KEY")
print("2. 手动下载并解压到: datasets/safety-shoes-detection/")
sys.exit(1)
# 检查数据集结构
if not check_dataset_structure(dataset_path):
print("\n✗ 数据集结构不正确")
sys.exit(1)
# 修改为单类检测
if not args.no_modify:
modify_yaml_for_single_class(dataset_path)
print("\n" + "="*60)
print("数据集准备完成！")
print("="*60)
print(f"数据集路径: {dataset_path}")
print(f"配置文件: {dataset_path}/data.yaml")
print("\n下一步:")
print(f" yolo detect train data={dataset_path}/data.yaml model=yolov8n.pt epochs=150 imgsz=640")
if __name__ == "__main__":
main()

93
train/02_train.bat Normal file
View File

@ -0,0 +1,93 @@
@echo off
chcp 65001 >nul
cls
echo ============================================================
echo 训练鞋子检测模型 (YOLOv8)
echo ============================================================
echo.
:: 设置数据集路径
set DATASET=datasets/safety-shoes-detection/data.yaml
:: 检查数据集是否存在
if not exist %DATASET% (
echo [错误] 找不到数据集配置文件: %DATASET%
echo.
echo 请先下载数据集:
echo 1. 访问 https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg
echo 2. 点击 Download -^> YOLOv8 格式
echo 3. 解压到 datasets/safety-shoes-detection/
echo 4. 运行 python 01_download_dataset.py --no-modify
pause
exit /b 1
)
echo [信息] 数据集: %DATASET%
echo.
:: 选择模型
echo 选择模型:
echo 1. YOLOv8n (轻量级, 速度快, 推荐)
echo 2. YOLOv8s (精度更高, 稍慢)
echo 3. YOLOv8m (高精度, 较慢)
echo.
set /p MODEL_CHOICE="输入选择 (1-3, 默认 1): "
if "%MODEL_CHOICE%"=="" set MODEL_CHOICE=1
if "%MODEL_CHOICE%"=="1" (
set MODEL=yolov8n.pt
set DESC=YOLOv8n (轻量级)
)
if "%MODEL_CHOICE%"=="2" (
set MODEL=yolov8s.pt
set DESC=YOLOv8s (标准)
)
if "%MODEL_CHOICE%"=="3" (
set MODEL=yolov8m.pt
set DESC=YOLOv8m (高精度)
)
echo.
echo [信息] 使用模型: %DESC%
echo.
:: 设置训练参数
set EPOCHS=150
set IMGSZ=640
set BATCH=16
echo 训练参数:
echo - Epochs: %EPOCHS%
echo - Image Size: %IMGSZ%
echo - Batch Size: %BATCH%
echo - Device: GPU (cuda:0)
echo.
echo ============================================================
echo 开始训练
echo ============================================================
echo.
:: 开始训练
yolo detect train data=%DATASET% model=%MODEL% epochs=%EPOCHS% imgsz=%IMGSZ% batch=%BATCH% device=0
if %ERRORLEVEL% neq 0 (
echo.
echo [错误] 训练失败！
pause
exit /b 1
)
echo.
echo ============================================================
echo 训练完成！
echo ============================================================
echo.
echo 模型保存在: runs/detect/train/weights/
echo - best.pt (最佳模型)
echo - last.pt (最后模型)
echo.
echo 下一步: 运行 03_export_onnx.bat 导出 ONNX 格式
echo.
pause

75
train/03_export_onnx.bat Normal file
View File

@ -0,0 +1,75 @@
@echo off
chcp 65001 >nul
cls
echo ============================================================
echo 导出 ONNX 模型 (YOLOv8)
echo ============================================================
echo.
:: 设置模型路径
set MODEL_PATH=runs/detect/train/weights/best.pt
:: 检查模型是否存在
if not exist %MODEL_PATH% (
echo [错误] 找不到模型文件: %MODEL_PATH%
echo.
echo 请先训练模型:
echo 运行 02_train.bat
pause
exit /b 1
)
echo [信息] 输入模型: %MODEL_PATH%
echo.
:: 导出 ONNX
echo ============================================================
echo 导出 ONNX
echo ============================================================
echo.
yolo export model=%MODEL_PATH% format=onnx imgsz=640 opset=12 simplify=True
if %ERRORLEVEL% neq 0 (
echo.
echo [错误] 导出失败！
pause
exit /b 1
)
echo.
echo ============================================================
echo 导出完成！
echo ============================================================
echo.
:: 检查输出文件
set ONNX_PATH=runs\detect\train\weights\best.onnx
if exist %ONNX_PATH% (
echo [成功] ONNX 模型: %ONNX_PATH%
:: 获取文件大小
for %%I in (%ONNX_PATH%) do (
set SIZE=%%~zI
)
echo [信息] 文件大小: %SIZE% bytes
) else (
echo [警告] 找不到输出文件
)
echo.
echo ============================================================
echo 下一步操作
echo ============================================================
echo.
echo 1. 复制 ONNX 文件到 Ubuntu 机器:
echo scp %ONNX_PATH% user@ubuntu-pc:~/rknn_convert/
echo.
echo 2. 在 Ubuntu 上转换为 RKNN:
echo python 04_convert_rknn.py best.onnx -o shoe_detector.rknn -t rk3588
echo.
echo 3. 部署到 RK3588:
echo scp shoe_detector.rknn orangepi@^<rk3588_ip^>:/home/orangepi/apps/OrangePi3588Media/models/
echo.
pause

262
train/04_convert_rknn.py Normal file
View File

@ -0,0 +1,262 @@
#!/usr/bin/env python3
"""
将 YOLOv8 ONNX 模型转换为 RKNN 格式
适用于 RK3588 / RK3568 / RK3576 等平台
环境要求:
- Ubuntu x86_64 / Docker
- Python 3.8 / 3.9 / 3.10 / 3.11
- rknn-toolkit2 (pip install rknn-toolkit2==2.2.0)
使用方法:
# FP16 模式（推荐，速度快精度高）
python 04_convert_rknn.py best.onnx -o shoe_detector.rknn -t rk3588
# INT8 量化（模型更小，需要校准数据集）
python 04_convert_rknn.py best.onnx -o shoe_detector.rknn -t rk3588 -q -d dataset.txt
支持的 target_platform:
- rk3588 / rk3588s
- rk3568 / rk3566
- rk3576
- rv1106 / rv1103 / rv1103b
- rv1126
"""
import argparse
import os
import sys
from pathlib import Path
def check_environment():
"""检查运行环境"""
try:
from rknn.api import RKNN
print("✓ RKNN Toolkit2 已安装")
return True
except ImportError:
print("✗ 错误: 未安装 RKNN Toolkit2")
print("\n请安装:")
print(" pip install rknn-toolkit2==2.2.0")
print("\n或从源码安装:")
print(" https://github.com/airockchip/rknn-toolkit2")
return False
def create_sample_dataset(onnx_path: str, output_path: str = "dataset.txt", num_samples: int = 20):
"""
创建示例量化校准数据集
用于 INT8 量化时提供校准图片路径
"""
print(f"\n创建示例校准数据集: {output_path}")
print("注意: 请用实际图片替换这些示例路径")
sample_content = f"""# RKNN INT8 量化校准数据集
# 每行一个图片路径，建议使用 20-100 张典型场景图片
# 图片格式: JPG, PNG, BMP 等
# 示例路径（请替换为实际路径）:
# /path/to/train/images/img001.jpg
# /path/to/train/images/img002.jpg
# /path/to/valid/images/img001.jpg
# 提示:
# 1. 图片应与实际部署场景相似
# 2. 包含各种光照、角度、背景的样本
# 3. 建议 20-100 张，越多越慢但可能更准
"""
with open(output_path, 'w') as f:
f.write(sample_content)
print(f"✓ 示例数据集已创建: {output_path}")
print(" 请编辑此文件，添加实际的图片路径")
return output_path
def convert_onnx_to_rknn(
onnx_path: str,
output_path: str = None,
target_platform: str = "rk3588",
do_quantization: bool = False,
dataset_path: str = None,
verbose: bool = True
):
"""
转换 ONNX 模型到 RKNN
Args:
onnx_path: ONNX 模型文件路径
output_path: 输出 RKNN 文件路径，默认与 ONNX 同名
target_platform: 目标平台，默认 rk3588
do_quantization: 是否启用 INT8 量化
dataset_path: 量化校准数据集路径（txt 文件，每行一张图片路径）
verbose: 是否打印详细信息
"""
if output_path is None:
output_path = onnx_path.replace(".onnx", ".rknn")
# 确保输出目录存在
output_dir = os.path.dirname(output_path)
if output_dir and not os.path.exists(output_dir):
os.makedirs(output_dir)
print("="*70)
print(f"ONNX 转 RKNN")
print("="*70)
print(f"输入: {onnx_path}")
print(f"输出: {output_path}")
print(f"目标: {target_platform}")
print(f"量化: {'INT8' if do_quantization else 'FP16 (无量化)'}")
if do_quantization:
print(f"校准: {dataset_path}")
print("="*70)
# 检查输入文件
if not os.path.exists(onnx_path):
print(f"\n✗ 错误: 找不到 ONNX 文件: {onnx_path}")
return False
# 检查数据集（如果需要量化）
if do_quantization:
if dataset_path is None:
print("\n✗ 错误: INT8 量化需要提供校准数据集")
print(" 使用 --dataset 指定数据集文件路径")
print(" 或运行 --create-dataset 创建示例")
return False
if not os.path.exists(dataset_path):
print(f"\n✗ 错误: 找不到数据集文件: {dataset_path}")
return False
from rknn.api import RKNN
# 创建 RKNN 对象
rknn = RKNN(verbose=verbose)
try:
# 配置模型
print("\n[1/4] 配置模型...")
rknn.config(
mean_values=[[0, 0, 0]], # YOLOv8 使用 0-255 输入
std_values=[[255, 255, 255]], # 归一化到 0-1
target_platform=target_platform
)
print(" ✓ 完成")
# 加载 ONNX
print("\n[2/4] 加载 ONNX 模型...")
ret = rknn.load_onnx(model=onnx_path)
if ret != 0:
print(" ✗ 加载失败!")
return False
print(" ✓ 完成")
# 构建模型
print("\n[3/4] 构建 RKNN 模型...")
if do_quantization:
print(f" 使用 INT8 量化，校准数据集: {dataset_path}")
ret = rknn.build(do_quantization=True, dataset=dataset_path)
else:
print(" 使用 FP16 模式（无量化）")
ret = rknn.build(do_quantization=False)
if ret != 0:
print(" ✗ 构建失败!")
return False
print(" ✓ 完成")
# 导出 RKNN
print("\n[4/4] 导出 RKNN 模型...")
ret = rknn.export_rknn(output_path)
if ret != 0:
print(" ✗ 导出失败!")
return False
print(" ✓ 完成")
finally:
rknn.release()
# 验证输出
if os.path.exists(output_path):
size_mb = os.path.getsize(output_path) / (1024 * 1024)
print("\n" + "="*70)
print(f"✓ 转换成功!")
print(f" 输出文件: {output_path}")
print(f" 文件大小: {size_mb:.2f} MB")
print("="*70)
print("\n下一步:")
print(f" 1. 复制到 RK3588:")
print(f" scp {output_path} orangepi@<rk3588_ip>:/home/orangepi/apps/OrangePi3588Media/models/")
print(f" 2. 更新配置文件中的模型路径")
return True
else:
print("\n✗ 错误: 输出文件未生成")
return False
def main():
parser = argparse.ArgumentParser(
description="将 YOLOv8 ONNX 模型转换为 RKNN",
formatter_class=argparse.RawDescriptionHelpFormatter,
epilog="""
示例:
# FP16 模式（推荐）
python 04_convert_rknn.py best.onnx -o shoe_detector.rknn
# 指定目标平台
python 04_convert_rknn.py best.onnx -t rk3568
# INT8 量化
python 04_convert_rknn.py best.onnx -q -d dataset.txt
# 创建示例校准数据集
python 04_convert_rknn.py --create-dataset
"""
)
parser.add_argument("onnx", nargs="?", help="ONNX 模型文件路径")
parser.add_argument("-o", "--output", help="输出 RKNN 文件路径")
parser.add_argument("-t", "--target", default="rk3588",
help="目标平台 (默认: rk3588)")
parser.add_argument("-q", "--quantize", action="store_true",
help="启用 INT8 量化")
parser.add_argument("-d", "--dataset", help="量化校准数据集路径 (txt 文件)")
parser.add_argument("--create-dataset", action="store_true",
help="创建示例校准数据集并退出")
parser.add_argument("-v", "--verbose", action="store_true", default=True,
help="显示详细信息")
args = parser.parse_args()
# 创建示例数据集
if args.create_dataset:
create_sample_dataset("best.onnx", "dataset.txt")
return 0
# 检查参数
if args.onnx is None:
parser.print_help()
print("\n错误: 请提供 ONNX 文件路径")
return 1
# 检查环境
if not check_environment():
return 1
# 执行转换
success = convert_onnx_to_rknn(
onnx_path=args.onnx,
output_path=args.output,
target_platform=args.target,
do_quantization=args.quantize,
dataset_path=args.dataset,
verbose=args.verbose
)
return 0 if success else 1
if __name__ == "__main__":
sys.exit(main())

157
train/README.md Normal file
View File

@ -0,0 +1,157 @@
# 鞋子检测模型训练指南
## 目录结构
```
train/
├── README.md # 本文件
├── 01_download_dataset.py # 下载数据集脚本
├── 02_train.bat # Windows 训练脚本
├── 03_export_onnx.bat # 导出 ONNX 脚本
├── 04_convert_rknn.py # 转换为 RKNN 脚本
├── data.yaml.template # 数据集配置文件模板
└── samples/ # 示例图片（用于测试）
└── README.md
```
## 快速开始
### 1. 环境准备（Windows + GPU）
```bash
# 安装 PyTorch (CUDA 11.8)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 安装 ultralytics
pip install ultralytics
```
### 2. 下载数据集
**手动下载（推荐）：**
1. 访问：https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg
2. 点击 **"Download"** → 选择 **"YOLOv8"** 格式
3. 解压到 `datasets/safety-shoes-detection/` 目录
**或使用脚本（需要 API Key）：**
```bash
python 01_download_dataset.py --api-key YOUR_API_KEY
```
### 3. 准备数据集配置
复制模板并修改路径：
```bash
cp data.yaml.template datasets/safety-shoes-detection/data.yaml
# 编辑 data.yaml，确保路径正确
```
### 4. 训练模型
**一键训练：**
```bash
02_train.bat
```
**或手动训练：**
```bash
# YOLOv8n - 轻量级，速度快
yolo detect train data=datasets/safety-shoes-detection/data.yaml model=yolov8n.pt epochs=150 imgsz=640 batch=16 device=0
# YOLOv8s - 精度更高（可选）
# yolo detect train data=datasets/safety-shoes-detection/data.yaml model=yolov8s.pt epochs=150 imgsz=640 batch=16 device=0
```
训练完成后，模型保存在：`runs/detect/train/weights/best.pt`
### 5. 导出 ONNX
```bash
03_export_onnx.bat
```
输出：`runs/detect/train/weights/best.onnx`
### 6. 转换为 RKNN
**在 Ubuntu PC 上运行：**
```bash
# 安装 RKNN Toolkit2
pip install rknn-toolkit2==2.2.0
# 转换（FP16 模式 - 推荐）
python 04_convert_rknn.py runs/detect/train/weights/best.onnx -o shoe_detector.rknn -t rk3588
# 或 INT8 量化（需要校准数据集）
# python 04_convert_rknn.py runs/detect/train/weights/best.onnx -o shoe_detector.rknn -t rk3588 -q -d dataset.txt
```
### 7. 部署到 RK3588
```bash
scp shoe_detector.rknn orangepi@<rk3588_ip>:/home/orangepi/apps/OrangePi3588Media/models/
```
然后在 `configs/full_pipeline_1080p.json` 中更新模型路径。
---
## 训练参数说明
| 参数 | YOLOv8n | YOLOv8s | 说明 |
|------|---------|---------|------|
| 模型大小 | 3.2MB | 11MB | 文件大小 |
| 推理速度 | ~30-40ms | ~50-60ms | RK3588 NPU |
| mAP | ~0.75 | ~0.82 | 精度 |
| 推荐场景 | 实时检测 | 高精度 | 选择建议 |
---
## 数据集说明
### Safety Shoes Detection
- **来源**: Roboflow Universe
- **类别**: safety-shoes / no-safety-shoes
- **图片数**: 约 1000+ 张
- **场景**: 工地安全鞋检测
### 转换为单类检测
我们将两类合并为单一的 `shoe` 类别：
- 检测所有鞋子（安全鞋、运动鞋、布鞋等）
- 后续通过颜色分析判断是否为劳保鞋
---
## 常见问题
### Q1: 训练时显存不足？
降低 batch size：
```bash
yolo detect train ... batch=8 # 默认 16，改为 8
```
### Q2: 如何提高精度？
1. 增加训练 epoch：`epochs=200`
2. 使用更大模型：`model=yolov8s.pt`
3. 增大输入尺寸：`imgsz=768`
4. 收集更多现场图片 fine-tune
### Q3: RKNN 转换失败？
1. 确保使用正确的 opset (12)
2. 使用 `simplify=True` 导出 ONNX
3. 检查 RKNN Toolkit2 版本与板端驱动匹配
### Q4: 检测不到鞋子？
1. 降低置信度阈值：`conf=0.15`
2. 检查 class_filter 是否正确设置
3. 确认输入图像尺寸与模型匹配
---
## 相关链接
- [Ultralytics YOLOv8 文档](https://docs.ultralytics.com/)
- [RKNN Toolkit2 文档](https://github.com/airockchip/rknn-toolkit2)
- [Roboflow Universe - Safety Shoes](https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg)

38
train/data.yaml.template Normal file
View File

@ -0,0 +1,38 @@
# 单类鞋子检测数据集配置
# 基于 Roboflow Safety Shoes Detection 数据集修改
# 将原有的两类 (safety-shoes / no-safety-shoes) 合并为单一的 shoe 类别
# 数据集路径
train: ../train/images
val: ../valid/images
test: ../test/images
# 类别配置
nc: 1 # 类别数
names: ['shoe'] # 类别名称列表
# Roboflow 元信息（可选）
roboflow:
workspace: nedrick-chandra-gpg1l
project: safety-shoes-detection-5qgkg
version: 2
license: CC BY 4.0
url: https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg/dataset/2
# 使用说明:
# 1. 将此文件复制到数据集根目录，命名为 data.yaml
# 2. 确保 train/val/test 路径正确
# 3. 运行训练: yolo detect train data=data.yaml model=yolov8n.pt epochs=150 imgsz=640
#
# 目录结构应为:
# safety-shoes-detection/
# ├── data.yaml # 本文件
# ├── train/
# │ ├── images/ # 训练图片
# │ └── labels/ # YOLO 格式标注文件
# ├── valid/
# │ ├── images/ # 验证图片
# │ └── labels/ # YOLO 格式标注文件
# └── test/
# ├── images/ # 测试图片
# └── labels/ # YOLO 格式标注文件

46
train/samples/README.md Normal file
View File

@ -0,0 +1,46 @@
# 示例图片目录
用于存放测试图片和量化校准样本。
## 目录结构
```
samples/
├── test_images/ # 用于测试模型的示例图片
├── calibration/ # INT8 量化校准用的图片（约 20-100 张）
└── README.md # 本文件
```
## 使用说明
### 测试图片 (test_images/)
存放一些典型场景的鞋子图片，用于验证模型效果。
### 校准图片 (calibration/)
INT8 量化时需要，用于确定量化参数。
**要求：**
- 应与实际部署场景相似
- 包含各种光照、角度、背景的样本
- 建议 20-100 张
- 图片格式: JPG, PNG, BMP
**创建校准数据集文件：**
```bash
# Linux/macOS
ls samples/calibration/*.jpg > dataset.txt
ls samples/calibration/*.png >> dataset.txt
# Windows CMD
dir /b samples\calibration\*.jpg > dataset.txt
dir /b samples\calibration\*.png >> dataset.txt
```
## 注意事项
- 校准图片越多，转换时间越长，但精度可能更高
- 建议使用训练集的部分图片作为校准集
- 不要和测试集重复，避免过拟合