last update in 2024

说明文档.txt

@@ -27,6 +27,8 @@
 4. 整体流程仿真
 	pipeline.py
 		SourceType: "image", "video", yolo+resent+tracker模块输入数据类型
+		
+	保存为 pickle 文件，该文件可用于 ShoppingEvent 对象构建。
 
 
 
@@ -181,63 +183,79 @@
 	
 	
 		test_one2one()
-			(1) 生成标准特征集, 只需运行一次
-				genfeatures()
-			(2) 生成事件字典, 只需运行一次
-				gen_eventdict(eventDatePath, saveimg)
-				参数: 
-					eventDatePath: 事件集列表，其中每个元素均为事件的集合;
-					saveimg: 是否保存事件子图
-					
+			1:1比对
+			(1) 初始化事件和标准特征集, 只需运行一次
+				init_std_evt_dict()
+			(2) 事件barcode集和标准库barcode求交集
+				build_std_evt_dict()
 			(3) 1:1性能评估
+				one2one_simi()
 			(4) 计算PR曲线
+				one2one_pr()
 		
+		test_one2SN()
+			1:SN比对
+			(1) 初始化事件和标准特征集, 只需运行一次
+				init_std_evt_dict()
+			(2) 事件barcode集和标准库barcode求交集
+				build_std_evt__dict()
+			(3) 1:SN性能评估
+				one2SN_pr()
 
-	
-		creat_shopping_event(eventPath, subimgPath=False)
-			构造一次购物事件字典, 共12个关键字。
+		
+		init_std_evt_dict()
+			生成标准特征集与事件对象并存储，并存储相关数据，只需运行一次
 			
-		save_event_subimg(event, savepath)
-			保存一次购物事件的子图
+			(1) Barcode图像进行特征推理并保存
+			gen_bcd_features(stdSamplePath, stdBarcodePath, stdFeaturePath, bcdSet)
+			
+			(2) 基于data文件或pipeline输出的pickle文件生成 ShoppingEvent 对象
+			gen_eventdict(eventDatePath, saveimg)
+		
+		build_std_evt_dict()
+			基于事件barcode集和标准库barcode交集构造用于评估性能的事件集合。
+
+		simi_calc()
+			计算事件和标准特征集的相似度
+
+		data_precision_compare()
+			不同数据精度下的性能比较
+		
 		
 
-		one2one_eval()
-		
-		
-		
-		compute_precise_recall()
-		
-
-		
-		
 		int8_to_ft16()
 		
 		
 		ft16_to_uint8()
 		
 	one2n_contrast.py
-		执行1:n共需要3步：
-	    '''1. 生成事件字典并保存至 eventDataPath, 只需运行一次 '''
-    # gen_eventdict(sourcePath)
- 
-    '''2. 读取时间字典 '''
-    evtDicts = read_eventdict(eventDataPath)
-    
-    
-    '''3. 1:n 比对事件评估 '''
-	
-
-
-	
+		执行1:n共需要3步，分别对应3个函数：
+			(1) 生成事件字典并保存至 eventDataPath, 只需运行一次
+			(2) 读取事件字典
+			(3) 1:n 比对事件评估
 		
-
-
-
-
+		(1) gen_eventdict(sourcePath)
+		
+		
+		(2) read_eventdict()
+			inputs：
+				eventDataPath: 类 ShoppingEvent 对象存储地址，该对象由函数 gen_eventdict() 生成。
+				
+			output：
+				evtDicts
+		
+		
+		(3) one2n_pr()
+			inputs：
+				evtDicts
+				
+			output：
+				fpevents：FP事件地址
+				
+		(4) simi_calc()
+			计算两个事件的相似度
 	
 	
-
-	
 			
 	one2n_contrast_old.py (disused)
 		test_one2n()
@@ -290,13 +308,6 @@
 			获得 1:n 情况下正确或匹配事件对（取出事件、放入事件、错误匹配事件）
 			匹配事件分析, 实现函数：save_tracking_imgpairs()
 	
-	
-	
-	
-	
-
-	
-
 			
 time_devide.py
 	runyolo()