diff --git a/models/yolov8s_ppe.onnx b/models/yolov8s_ppe.onnx new file mode 100644 index 0000000..ffc1991 Binary files /dev/null and b/models/yolov8s_ppe.onnx differ diff --git a/models/yolov8s_ppe.pt b/models/yolov8s_ppe.pt new file mode 100644 index 0000000..9be26db Binary files /dev/null and b/models/yolov8s_ppe.pt differ diff --git a/train/01_download_dataset.py b/train/01_download_dataset.py deleted file mode 100644 index 2879b78..0000000 --- a/train/01_download_dataset.py +++ /dev/null @@ -1,259 +0,0 @@ -#!/usr/bin/env python3 -""" -下载鞋子检测数据集 -支持: - - Ultralytics Construction-PPE (推荐, 直接下载) - - Open Images V7 (通过 FiftyOne) - -使用方法: - # 下载 Construction-PPE (推荐) - python 01_download_dataset.py --source ultralytics - - # 下载 Open Images V7 鞋子类别 - python 01_download_dataset.py --source openimages --max-samples 5000 -""" - -import argparse -import os -import sys -import zipfile -from pathlib import Path - - -def download_ultralytics_cppe(dataset_dir: str = "datasets/construction-ppe"): - """ - 下载 Ultralytics Construction-PPE 数据集 - 完全开放，直接下载，无需注册 - """ - import urllib.request - import ssl - - url = "https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip" - zip_path = "construction-ppe.zip" - - print("="*70) - print("下载 Construction-PPE 数据集") - print("="*70) - print(f"来源: {url}") - print(f"目标: {dataset_dir}") - print() - - # 创建目录 - os.makedirs(dataset_dir, exist_ok=True) - - # 下载 - print("[1/3] 下载中... (约 178MB)") - try: - # 禁用 SSL 验证（某些环境需要） - ssl_context = ssl.create_default_context() - ssl_context.check_hostname = False - ssl_context.verify_mode = ssl.CERT_NONE - - with urllib.request.urlopen(url, context=ssl_context, timeout=300) as response: - total_size = int(response.headers.get('content-length', 0)) - downloaded = 0 - chunk_size = 8192 - - with open(zip_path, 'wb') as f: - while True: - chunk = response.read(chunk_size) - if not chunk: - break - f.write(chunk) - downloaded += len(chunk) - if total_size > 0: - percent = (downloaded / total_size) * 100 - print(f"\r 进度: {percent:.1f}% ({downloaded}/{total_size} bytes)", end="") - - print("\n ✓ 下载完成") - - except Exception as e: - print(f"\n ✗ 下载失败: {e}") - print("\n请手动下载:") - print(f" 1. 访问: {url}") - print(f" 2. 下载 construction-ppe.zip") - print(f" 3. 解压到 {dataset_dir}/") - return False - - # 解压 - print(f"\n[2/3] 解压中...") - try: - with zipfile.ZipFile(zip_path, 'r') as zip_ref: - zip_ref.extractall(dataset_dir) - print(" ✓ 解压完成") - except Exception as e: - print(f" ✗ 解压失败: {e}") - return False - - # 清理 - print(f"\n[3/3] 清理临时文件...") - os.remove(zip_path) - print(" ✓ 完成") - - return True - - -def create_yaml_config(dataset_dir: str, single_class: bool = False): - """创建单类检测配置文件""" - yaml_content = """# 单类鞋子检测数据集配置 -# 基于 Construction-PPE 数据集修改 -# 原类别: helmet, gloves, vest, boots, goggles, none, Person, no_helmet, no_goggle, no_gloves, no_boots -# 修改为单一的 shoe 类别（只使用 boots 和 no_boots 的标注） - -path: construction-ppe # 数据集根目录 -train: images/train # 训练集 (1132张) -val: images/val # 验证集 (143张) -test: images/test # 测试集 (141张) - -# 单类配置 -nc: 1 -names: ['shoe'] - -# 原始数据信息 -original_dataset: - name: Construction-PPE - source: Ultralytics - url: https://docs.ultralytics.com/datasets/detect/construction-ppe/ - download: https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip - -# 使用说明: -# 1. 此配置将 boots (cls=3) 和 no_boots (cls=10) 都映射为 shoe (cls=0) -# 2. 训练时只检测鞋子，不关心是否安全鞋 -# 3. 安全鞋判断通过后续颜色分析完成 -""" - - yaml_path = os.path.join(dataset_dir, "data.yaml") - - with open(yaml_path, 'w') as f: - f.write(yaml_content) - - print(f"\n✓ 配置文件创建: {yaml_path}") - return yaml_path - - -def download_openimages(classes: list, max_samples: int, dataset_dir: str): - """通过 FiftyOne 下载 Open Images""" - try: - import fiftyone as fo - import fiftyone.zoo as foz - except ImportError: - print("错误: 未安装 fiftyone") - print("请运行: pip install fiftyone") - return False - - print("="*70) - print("下载 Open Images V7 数据集") - print("="*70) - print(f"类别: {classes}") - print(f"最大样本数: {max_samples}") - print() - - try: - dataset = foz.load_zoo_dataset( - "open-images-v7", - split="train", - label_types=["detections"], - classes=classes, - max_samples=max_samples, - dataset_dir=dataset_dir - ) - - # 导出为 YOLO 格式 - print("\n导出为 YOLO 格式...") - dataset.export( - export_dir=dataset_dir + "-yolo", - dataset_type=fo.types.YOLOv5Dataset, - label_field="detections" - ) - - print(f"✓ 数据集保存: {dataset_dir}-yolo") - return True - - except Exception as e: - print(f"✗ 下载失败: {e}") - return False - - -def check_dataset(dataset_dir: str): - """检查数据集完整性""" - print("\n" + "="*70) - print("检查数据集") - print("="*70) - - required_dirs = [ - 'images/train', 'images/val', 'images/test', - 'labels/train', 'labels/val', 'labels/test' - ] - - all_ok = True - for dir_name in required_dirs: - full_path = os.path.join(dataset_dir, dir_name) - if os.path.exists(full_path): - count = len([f for f in os.listdir(full_path) if os.path.isfile(os.path.join(full_path, f))]) - print(f" ✓ {dir_name}: {count} 个文件") - else: - print(f" ✗ {dir_name}: 不存在") - all_ok = False - - return all_ok - - -def main(): - parser = argparse.ArgumentParser( - description="下载鞋子检测数据集", - formatter_class=argparse.RawDescriptionHelpFormatter, - epilog=""" -示例: - # 下载 Construction-PPE (推荐，直接可用) - python 01_download_dataset.py --source ultralytics - - # 下载 Open Images 鞋子类别 - python 01_download_dataset.py --source openimages --max-samples 5000 - - # 指定保存目录 - python 01_download_dataset.py --source ultralytics --dir ./my-datasets/shoes - """ - ) - - parser.add_argument("--source", choices=["ultralytics", "openimages"], - default="ultralytics", - help="数据源 (默认: ultralytics)") - parser.add_argument("--dir", default="datasets/construction-ppe", - help="数据集保存目录") - parser.add_argument("--max-samples", type=int, default=5000, - help="Open Images 最大样本数 (默认: 5000)") - parser.add_argument("--classes", nargs="+", - default=["Footwear", "Sandal", "Shoe", "Boot"], - help="Open Images 类别 (默认: Footwear Sandal Shoe Boot)") - - args = parser.parse_args() - - success = False - - if args.source == "ultralytics": - success = download_ultralytics_cppe(args.dir) - if success: - create_yaml_config(args.dir, single_class=False) - check_dataset(args.dir) - - elif args.source == "openimages": - success = download_openimages(args.classes, args.max_samples, args.dir) - - # 输出下一步 - if success: - print("\n" + "="*70) - print("数据集准备完成！") - print("="*70) - print(f"数据集路径: {args.dir}") - print("\n下一步:") - print(f" 1. 检查配置: cat {args.dir}/data.yaml") - print(f" 2. 开始训练: 02_train.bat") - print(f" 3. 或手动: yolo detect train data={args.dir}/data.yaml model=yolov8n.pt epochs=150 imgsz=640") - return 0 - else: - print("\n✗ 数据集准备失败") - return 1 - - -if __name__ == "__main__": - sys.exit(main()) diff --git a/train/02_train.bat b/train/02_train.bat deleted file mode 100644 index 436279f..0000000 --- a/train/02_train.bat +++ /dev/null @@ -1,87 +0,0 @@ -@echo off -chcp 65001 >nul -cls - -echo ============================================================ -echo 训练鞋子检测模型 (YOLOv8 + 640x640) -echo ============================================================ -echo. - -:: 设置数据集路径 -set DATASET=datasets/construction-ppe/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 python 01_download_dataset.py --source ultralytics - 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) -echo 2. YOLOv8s (推荐, 速度和精度平衡) -echo 3. YOLOv8m (高精度, 较慢) -echo. -set /p MODEL_CHOICE="输入选择 (1-3, 默认 2): " - -if "%MODEL_CHOICE%"=="" set MODEL_CHOICE=2 -if "%MODEL_CHOICE%"=="1" ( - set MODEL=yolov8n.pt - set DESC=YOLOv8n -) -if "%MODEL_CHOICE%"=="2" ( - set MODEL=yolov8s.pt - set DESC=YOLOv8s (推荐) -) -if "%MODEL_CHOICE%"=="3" ( - set MODEL=yolov8m.pt - set DESC=YOLOv8m -) - -echo. -echo [信息] 使用模型: %DESC% -echo. - -:: 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%x%IMGSZ% -echo - Batch Size: %BATCH% -echo - Device: GPU (cuda:0) -echo. - -echo ============================================================ -echo 开始训练 -echo ============================================================ -echo. - -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/best.pt -echo. -echo 下一步: 运行 03_export_onnx.bat 导出 ONNX -echo. -pause diff --git a/train/03_export_onnx.bat b/train/03_export_onnx.bat deleted file mode 100644 index 1698f57..0000000 --- a/train/03_export_onnx.bat +++ /dev/null @@ -1,35 +0,0 @@ -@echo off -chcp 65001 >nul -cls - -echo ============================================================ -echo 导出 ONNX 模型 (640x640) -echo ============================================================ -echo. - -set MODEL_PATH=runs/detect/train/weights/best.pt - -if not exist %MODEL_PATH% ( - echo [错误] 找不到模型: %MODEL_PATH% - echo 请先运行 02_train.bat 训练 - pause - exit /b 1 -) - -echo [信息] 输入模型: %MODEL_PATH% -echo. - -yolo export model=%MODEL_PATH% format=onnx imgsz=640 opset=12 simplify - -if %ERRORLEVEL% neq 0 ( - echo [错误] 导出失败！ - pause - exit /b 1 -) - -echo. -echo [成功] ONNX 模型: runs/detect/train/weights/best.onnx -echo. -echo 下一步: 在 Ubuntu 上运行 04_convert_rknn.py 转换 -echo. -pause diff --git a/train/04_convert_rknn.py b/train/04_convert_rknn.py deleted file mode 100644 index 78a47d1..0000000 --- a/train/04_convert_rknn.py +++ /dev/null @@ -1,262 +0,0 @@ -#!/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@:/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()) diff --git a/train/README.md b/train/README.md deleted file mode 100644 index 92991bc..0000000 --- a/train/README.md +++ /dev/null @@ -1,135 +0,0 @@ -# 鞋子检测模型训练指南 - -## 方案：640x640 单模型（部署时用2窗口） - -**训练阶段**： -- 输入：640x640 完整图片 -- 模型：YOLOv8s -- 输出：640x640 模型文件 - -**部署阶段**（pipeline配置）： -- 原图 1920x1080 -- 分成 2 个 960x1080 窗口 -- 每个窗口 resize 到 640x640 送入模型 -- 合并检测结果 - ---- - -## 目录结构 - -``` -train/ -├── README.md # 本文件 -├── 01_download_dataset.py # 下载 Construction-PPE 数据集 -├── 02_train.bat # Windows 一键训练脚本 -├── 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 -└── samples/ # 示例图片 - ├── calibration/ - ├── test_images/ - └── README.md -``` - ---- - -## 快速开始 - -### 1. 下载数据集 - -```bash -cd train -python 01_download_dataset.py --source ultralytics -``` - -或手动下载： -```bash -wget https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip -unzip construction-ppe.zip -d datasets/construction-ppe/ -``` - -### 2. 准备配置 - -```bash -cp data.yaml.template datasets/construction-ppe/data.yaml -``` - -### 3. 训练（640x640） - -```bash -02_train.bat -``` - -或手动： -```bash -yolo detect train \ - data=datasets/construction-ppe/data.yaml \ - model=yolov8s.pt \ - epochs=150 \ - imgsz=640 \ - batch=16 \ - device=0 -``` - -**训练参数**： -- 模型：YOLOv8s（速度和精度平衡） -- 输入：640x640 -- 预计时间：30-60分钟 - -### 4. 导出 ONNX - -```bash -03_export_onnx.bat -``` - -### 5. 转换为 RKNN - -在 Ubuntu PC 上： -```bash -python 04_convert_rknn.py runs/detect/train/weights/best.onnx -o shoe_detector_640.rknn -t rk3588 -``` - -### 6. 部署（2窗口配置） - -复制到 RK3588： -```bash -scp shoe_detector_640.rknn orangepi@:/home/orangepi/apps/OrangePi3588Media/models/ -``` - -Pipeline 配置（部署阶段用2窗口）： -```json -{ - "id": "pre_shoe", - "type": "preprocess", - "windows": [ - {"x": 0, "y": 0, "w": 960, "h": 1080}, - {"x": 960, "y": 0, "w": 960, "h": 1080} - ], - "dst_w": 640, - "dst_h": 640 -} -``` - ---- - -## 类别说明（Construction-PPE） - -使用原始11类： -- 0: helmet -- 1: gloves -- 2: vest -- 3: **boots** ← 主要关注 -- 4: goggles -- 5: none -- 6: **Person** -- 7: no_helmet -- 8: no_goggle -- 9: no_gloves -- 10: **no_boots** - ---- - -## 相关链接 - -- [Construction-PPE 数据集](https://docs.ultralytics.com/datasets/detect/construction-ppe/) -- [Ultralytics YOLOv8](https://docs.ultralytics.com/) diff --git a/train/data.yaml.template b/train/data.yaml.template deleted file mode 100644 index 0af217f..0000000 --- a/train/data.yaml.template +++ /dev/null @@ -1,16 +0,0 @@ -# Construction-PPE 数据集配置 - -path: construction-ppe -train: images/train -val: images/val -test: images/test - -# 11类原始类别 -nc: 11 -names: [ - 'helmet', 'gloves', 'vest', 'boots', 'goggles', 'none', - 'Person', 'no_helmet', 'no_goggle', 'no_gloves', 'no_boots' -] - -# 数据下载链接 -download: https://github.com/ultralytics/assets/releases/download/v0.0.0/construction-ppe.zip diff --git a/train/samples/README.md b/train/samples/README.md deleted file mode 100644 index f8fdd17..0000000 --- a/train/samples/README.md +++ /dev/null @@ -1,46 +0,0 @@ -# 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