# 一般训练需要给到路径，平台训练无需给到
  # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: breast-obj # dataset root dir
train: images/train # train images
val: images/val # val images
test: # test images (optional)

# 平台训练需要给到下面的参数
platform_data_args:

  token: 4925EC4929684AA0ABB0173B03CFC8FF #  39829c10d79745c6aaac35df80811966  4925EC4929684AA0ABB0173B03CFC8FF

  # 错误文件
  wrong_file: 'vinno_files/wrongfile/breast_birads/wrongname.txt'

  # "segment"生成分割的数据   "detection"生成检测的数据
  data_type: "detection"

  # 有些项目需要裁图，给到相应的裁图参数，
  # 如果不需要裁图，直接给 "" 即可
  extra_contours_args: ""

  # 所需的图像标签字典，从0开始，都是背景
  # 如果为空，给 "" 即可
  needed_image_results_dict:
   "乳腺":
      '未见明显异常': 0

  # 所需的ROI标签字典，从1开始都是需要的标签（取到的标签最终都会减1，yolo那边默认从0开始作为第一类）
  # 从部位标签开始取，如果不同部位标签内，相同名字的作为一类，则给相同的数字；不作为一类，则给不同的数字
  needed_rois_dict:
    "乳腺":
      '脂肪瘤': 1
      'BI-RADS 2': 2
      'BI-RADS 3': 3
      'BI-RADS 4a': 4
      'BI-RADS 4b': 5
      'BI-RADS 4c': 6
      'BI-RADS 5': 7

  # 一张图有多个ROI标签和图像标签时，后续采用谁的类别作为该图的扩充比例，给到相应的强弱等级
  # 该等级只用来比较多标签时，选择哪个作为扩充比例
  # 如果有多个相同的强弱等级的话，则按最后一个取到的标签的强弱等级计算
  # 该参数的键跟 needed_image_results_dict 和 needed_rois_dict一致
  label_aug_level:
    "乳腺":
      '未见明显异常': 0
      '脂肪瘤': 1
      'BI-RADS 2': 2
      'BI-RADS 3': 3
      'BI-RADS 4a': 4
      'BI-RADS 4b': 5
      'BI-RADS 4c': 6
      'BI-RADS 5': 7

  # 所需标签在训练时的扩充比例，根据原有的数量*扩充比例
  # 所需标签的扩充比例都来自于needed_image_results_dict 和 needed_rois_dict
  # 额外添加了一个空字符：如果出现一张图有roi标签，但是没有所需的roi标签，则该图像也会作为背景进行训练，该图像的扩充比例即为空字符对应的数字
  # 需要注意：1.不裁图时，如果出现一张图只有图像标签，没有roi标签，但是没有所需的图像标签，则该图像直接舍弃。
  # 需要注意：2.裁图时，如果出现一张图没有额外轮廓，则该图像直接舍弃。
  class_aug_times:
    "": 1
    "乳腺":
      '未见明显异常': 1
      '脂肪瘤': 100
      'BI-RADS 2': 6
      'BI-RADS 3': 2.5
      'BI-RADS 4a': 10
      'BI-RADS 4b': 25
      'BI-RADS 4c': 30
      'BI-RADS 5': 100

  # 评价指标计算时，各类别最终输出计算的标签字典
  # 可能设置多种参数，比如：甲状腺、乳腺疾病，计算分级、良恶性、检出病灶 三种输出的评价指标
  # 0为背景，其他都是类别
  class_id_map_list: [
    {0: 0, 1: 1, 2: 1, 3: 1, 4: 1, 5: 1, 6: 1, 7: 1},
    {0: 0, 1: 1, 2: 2, 3: 3, 4: 4, 5: 5, 6: 6, 7: 7},
  ]

  # c++后处理的dll
  dll_file: 'vinno_files/depends/YOLOOutputPostProcessUtil.dll'

  # yolo后处理所需要的参数
  yolo_metas:
    yolotype: yolov8  # yolov5 或者 yolov8
    confthres: 0.5
    clsconfthres: 0.5
    batchsize: 1
    maxdet: 10
    minboxratio: 0.001
    postprocesstopk: 160
    enableioufilt: true
    enableiosfilt: true
    ioufltth: 0.3
    iosfltth: 0.3
    enableunion: false
    unioniouth: 1.0
    unioniosth: 1.0
    unionuobth: 1.0
    enableioufiltdiffcls: true
    enableiosfiltdiffcls: true
    ioufltthdiffcls: 0.3
    iosfltthdiffcls: 0.3

  metrics_type:
    - pascal:
        iou_threshold: 0.5
        method_average_precision: EVERY_POINT_INTERPOLATION  # EVERY_POINT_INTERPOLATION 或者 ELEVEN_POINT_INTERPOLATION
        generate_table: false
        # fn错误的有两种，一种是iou低于设置（也就是fp），一种是没有检测出来，为了方便查看，此时统计的fn将fp排除
        generate_fp_fn_image_names: true  # 是否记录fp和fn所在图像的名称，用于可能后续画gt和dt看结果
    - coco:
        # coco默认计算0.5-0.95的mAP，这边给到值可以设置，所需要的范围
        lower_iou_threshold_limit: 0.50
        upper_iou_threshold_limit: 0.95
        # 默认前100个检测的结果，可以进行设置
        max_dets: 100
        # 根据面积区分 small medium large，计算时取 值的平方 作为界限
        lower_area_limit: 32
        upper_area_limit: 96

# 最终训练的类别,目标从零开始，背景没有标签，对应的名称只是为了最终结果的显示
names:
  0: lipomyoma
  1: BIRADS2
  2: BIRADS3
  3: BIRADS4a
  4: BIRADS4b
  5: BIRADS4c
  6: BIRADS5