一、代码仓库布局解析

DetVisGUI 旨在为计算机视觉中的目标检测任务提供直观的结果展示方案。其源码组织逻辑如下：

DetVisGUI/
├── cfgs/                # 算法参数设定
├── datasets/            # 验证与测试样本
├── examples/            # 使用范例
├── predictions/         # 推理输出结果
├── .gitignore           # 版本控制忽略规则
├── app_main.py          # 核心交互入口
├── unit_test.py         # 功能验证脚本
├── LICENSE              # 开源协议
└── README.md            # 项目文档

• cfgs/: 维护各视觉算法的超参数及网络设定。
• datasets/: 承载待评估的图像或视频数据。
• examples/: 提供快速上手的演示素材。
• predictions/: 存储算法推理生成的边界框及类别信息。
• app_main.py: 构建图形化界面的主控脚本。
• unit_test.py: 执行模块可用性校验。

二、核心执行脚本及参数

app_main.py 是启动可视化服务的核心。它负责解析算法配置、加载推理结果并渲染交互式界面。

基础执行指令格式如下：

python app_main.py ${ALGO_CONFIG} [--prediction_path ${PRED_FILE}] [--phase ${DATA_SPLIT}] [--save_dir ${OUT_FOLDER}]

• ${ALGO_CONFIG}: 算法配置脚本的绝对或相对路径。
• --prediction_path ${PRED_FILE}: 可选，指定推理结果文件路径。
• --phase ${DATA_SPLIT}: 可选，指定当前数据集划分（如 train/val/test），默认取值 'val'。
• --save_dir ${OUT_FOLDER}: 可选，设定可视化图像的导出路径，默认为 'output'。

三、算法配置文件规范

所有参数设定文件存放于 cfgs/ 路径下。这些 Python 脚本定义了网络拓扑、数据处理管道及训练策略，需依据实际任务进行定制。

配置文件以字典形式组织，以下为重构后的典型范例：

# 视觉网络拓扑定义
network = dict(
    architecture='MaskRCNN',
    feature_extractor=dict(
        architecture='ResNet',
        layers=50,
        stages=4,
        output_levels=(0, 1, 2, 3),
        freeze_up_to=1,
        normalization=dict(
            mode='BatchNorm', trainable=True),
        eval_mode=True,
        implementation='pytorch'),
    # 其他组件配置...
)

# 数据加载管道
dataset = dict(
    training=dict(
        # 训练集配置...
    ),
    validation=dict(
        # 验证集配置...
    ),
    inference=dict(
        # 测试集配置...
    ),
)

# 梯度下降策略
training_optimizer = dict(
    algorithm='SGD',
    base_lr=0.02,
    beta=0.9,
    decay_factor=0.0001,
    # 其他超参...
)

# 迭代控制
execution_policy = dict(
    training_routine=dict(
        # 训练周期配置...
    ),
    evaluation_routine=dict(
        # 评估周期配置...
    ),
)

# 执行流设定
pipeline_schedule = [('training', 1)]

开发者需根据特定算法需求修改上述参数字典，以适配不同的模型训练与推理场景。