--

前言： 本工程会生成大量文件，且有文件的移动与复制，所以非常建议开始前先备份一个空白的工程，在训练完模型后将需要的数据拷走后，将整个工作过的工程删除。

运行指南：数字代表运行顺序，*代表可选 注：本工程大量使用相对路径，用户请按照以下流程操作，仅有模型名可能需要用户自定义设置

*******目标检测 1 目标检测任务的预处理.py 用于生成若干npy文件 直接运行即可

2 目标检测网络.py 用于训练模型与测试模型 若要训练模型，请先在main中取消注释相关代码，建议注意模 型名称，防止不正确的模型覆盖

*3 从npy可视化.py 用于将回归预测得到的坐标标记在图上，效果可视化 直接运行即可在"test_visable"文件夹中看到结果

*******VGG分类 注：代码中名称有误，VGG分类模块中test实际上是验证集，是采用test数据的准确坐标割得的图；vali(或predicted test)实际是测试集，采用test数据结合回归的坐标割的的图。最终的测试准确率确实是回归得到的坐标割的的图的分类准确率。

4 图像分类预处理.py 用于割取训练集以及验证集 5 copy_npy_center_test_predicted.py 用于将回归得到的坐标npy文件复制到当前文件下 直接运行即可 6 坐标映射.py 用于将上一步得到的坐标映射到原图尺寸 直接运行即可 7 图像分类预处理predicted test.py 用于使用自己回归得到的坐标将test的图割出来分散到各类文件 夹，用于得到最后的测试准确率 直接运行即可 8 move_dataset.py 将4-7步切割分类好后的图片中的五（二）分类部分移入“五（ 二）分类”文件夹中，用于模型训练与评估 9 五分类.py(位于文件夹"五分类"中） 用于训练模型与测试模型 若要训练模型，请先在main中取消注释相关代码，建议注意模 型名称，防止不正确的模型覆盖 10 二分类.py(位于文件夹"五分类"中） 用于训练模型与测试模型 若要训练模型，请先在main中取消注释相关代码，建议注意模 型名称，防止不正确的模型覆盖

****ResNet18五分类 11 copy_dataset5.py 在运行了第8步后，已经割好且分类到不同的文件夹，本代码用 于将训练集与测试集复制到Resnet18_5\data_part5中，以供 Resnet18模型训练与评估 12 data18.py（位于Resnet18_5文件夹中） 将图片转化为npy文件，方便训练测试时调用 13 Resnet18_5.py 训练Resnet18的五分类模型,建议注意模 型名称，防止不正确的模型覆盖 14 test18_5.py 测试Resnet18五分类模型效果

*****ResNet18二分类

15 copy_dataset2.py 在运行了第8步后，已经割好且分类到不同的文件夹，本代码用 于将训练集与测试集复制到Resnet18_2\data_part2中，以供 Resnet18模型训练与评估 16 data.py（位于Resnet18_2文件夹中） 将图片转化为npy文件，方便训练测试时调用 17* Resnet18_2.py 训练Resnet18的二分类模型,建议注意模型名称， 防止不正确的模型覆盖 18 test18_2.py 测试Resnet18二分类模型效果

最后：代码数量比较多，比较不符合工程规范，原因是各模块对文件的读取风格各有不同，见谅！