44 lines
2.1 KiB
Markdown
44 lines
2.1 KiB
Markdown
# YOLO26 油气田岩性分类工具
|
||
|
||
## 环境
|
||
```bash
|
||
conda create -n yolo26 python=3.12 -y
|
||
conda activate yolo26
|
||
pip install ultralytics pandas matplotlib
|
||
```
|
||
|
||
## 核心脚本（均在 `yolo26-deep-main/` 目录下运行）
|
||
| 脚本 | 用途 | 常用参数 |
|
||
|------|------|----------|
|
||
| `custom-train.py` | 训练 | `--data custom_dataset --epochs 40 --device cpu` |
|
||
| `final_predict.py` | 评估 | `--device cpu`（默认输入 `custom_dataset/val`，输出 `分类预测结果.csv`） |
|
||
| `filter_low_conf.py` | 过滤低置信度 | `--csv 分类预测结果.csv --threshold 90` |
|
||
| `plot_metrics.py` | 绘图 | `--csv runs/classify/train/results.csv --output 训练曲线.png` |
|
||
| `predict.py` | 单图预测 | `--image <路径> --device cpu`（`--image` 必填） |
|
||
|
||
> ⚠️ **重要规则**：除非用户明确要求或授权，**禁止**运行 `custom-train.py`（训练耗时长，应优先使用已有的 `best.pt` 权重文件）
|
||
|
||
## 典型工作流
|
||
```bash
|
||
cd yolo26-deep-main
|
||
python custom-train.py --data custom_dataset --epochs 40 --device cpu
|
||
python final_predict.py --device cpu
|
||
python filter_low_conf.py --csv 分类预测结果.csv --threshold 90
|
||
python plot_metrics.py --csv runs/classify/train/results.csv --output 训练曲线.png
|
||
python predict.py --image custom_dataset/val/灰岩/xxx.jpg --device cpu
|
||
```
|
||
|
||
## 关键事实
|
||
- 所有路径均为**相对路径**，脚本**必须**从 `yolo26-deep-main/` 目录运行
|
||
- 所有脚本均使用 `argparse`，支持 `--help` 查看参数
|
||
- 预训练权重：`yolo26n-cls.pt`（默认）、训练产出：`runs/classify/train/weights/best.pt`
|
||
- CSV 列名为 `图片名,真实标签,预测类别,置信度`（`filter_low_conf.py` 已适配，**不是** `置信度(%)`）
|
||
- 当前模型评估准确率约 **92.25%**
|
||
- 数据按 5 个中文类别分子文件夹：`灰岩`、`泥页岩`、`砂砾岩`、`特殊岩`、`云岩`
|
||
|
||
## 输出
|
||
- `分类预测结果.csv` — 预测结果表
|
||
- `岩性分类结果/` — 按真实标签分类的图片副本
|
||
- `训练曲线.png` — 训练曲线图
|
||
- `置信度低于阈值的样本.csv`、`预测错误的所有图片.csv` — 过滤结果
|