# 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: Thyroid-TIRADS-Seg # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 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/thyroid_tirads/wrongname.txt'

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

  # 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:
    "甲状腺":
      "未见明显异常": 0
      "无可标项": 0
      "桥本甲状腺炎声像图改变": 0
      "甲亢声像图改变": 0
      "亚急性甲状腺炎声像图改变": 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:
    "甲状腺":
      "TIRADS 2": 1
      "TIRADS 3": 2
      "TIRADS 4A": 3
      "TIRADS 4B": 4
      "TIRADS 4C": 5
      "TIRADS 5": 6

  # 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 :
    "甲状腺":
      "未见明显异常": 0
      "无可标项": 0
      "桥本甲状腺炎声像图改变": 0
      "甲亢声像图改变": 0
      "亚急性甲状腺炎声像图改变": 0
      "TIRADS 2": 1
      "TIRADS 3": 2
      "TIRADS 4A": 3
      "TIRADS 4B": 4
      "TIRADS 4C": 5
      "TIRADS 5": 6

  # 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
    "甲状腺":
      "未见明显异常": 1
      "无可标项": 1
      "桥本甲状腺炎声像图改变": 1
      "甲亢声像图改变": 1
      "亚急性甲状腺炎声像图改变": 1
      "TIRADS 2": 1
      "TIRADS 3": 1
      "TIRADS 4A": 1
      "TIRADS 4B": 1
      "TIRADS 4C": 1
      "TIRADS 5": 1

  # 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},
    {0: 0, 1: 1, 2: 2, 3: 3, 4: 4, 5: 5, 6: 6},
  ]

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

  # 该resize方式只针对后续调用c++后处理时，图像的resize方式，不影响yolo本身训练的resize方式
  # resize方式跟c#中EnumResizeMode一致，会影响MoldedImageMetas的数值，从而影响c++后处理时返回原图的坐标
  # FitLargeSizeAndPad：以长边为准，将原始图像等比例缩放，短边用固定灰度值填充，暂时固定灰度值没有给到参数设置，默认给的128,128,128，后续需要改成和c#那边一致
  # FitSmallSizeAndCrop：以短边为准，将原始图像等比例缩放，长边直接裁切掉不要
  # Warp：非等比例缩放，长短边各自伸缩到模型所需的尺寸
  resize_mode: Warp

  # yolo后处理需要的参数
  yolo_inst_seg_metas:
    yolo_type: yolov8
    box_conf_thres: 0.3
    cls_conf_thres: 0.3
    batch_size: 1
    max_det: 10
    min_box_ratio: 0.001
    post_process_top_k: 6400
    iou_fltth: 0.3
    ios_fltth: 0.5
    enable_iou_filt: true
    enable_ios_filt: true
    iou_fltth_diff_cls: 0.3
    ios_fltth_diff_cls: 0.3
    enable_iou_filt_diff_cls: true
    enable_ios_filt_diff_cls: true
    mask_thres: 0.5

  # 用于c++的后处理参数，跟c#那边一致即可
  seg_post_process_param:
    1:
      max_lesion_count: 5
      lesion_area_requirements:
        # NoneType (不设面积阈值)
        # PixelInMask(面积阈值是在mask上的像素数)
        # RatioInMask(面积阈值是病灶面积占mask的比例)
        # PixelInOrigImg(面积阈值是在原图上的像素数)
        # RatioInOrigImg(面积阈值是病灶面积占原图的比例)
        - lesion_area_threshold_type: RatioInMask
          lesion_min_area: 0.001
          lesion_max_area: 1.0
        - lesion_area_threshold_type: PixelInOrigImg
          lesion_min_area: 0
          lesion_max_area: 500000
    2:
      max_lesion_count: 5
      lesion_area_requirements:
        - lesion_area_threshold_type: RatioInMask
          lesion_min_area: 0.001
          lesion_max_area: 1.0
    3:
      max_lesion_count: 5
      lesion_area_requirements:
        - lesion_area_threshold_type: RatioInMask
          lesion_min_area: 0.001
          lesion_max_area: 1.0
    4:
      max_lesion_count: 5
      lesion_area_requirements:
        - lesion_area_threshold_type: RatioInMask
          lesion_min_area: 0.001
          lesion_max_area: 1.0
    5:
      max_lesion_count: 5
      lesion_area_requirements:
        - lesion_area_threshold_type: RatioInMask
          lesion_min_area: 0.001
          lesion_max_area: 1.0
    6:
      max_lesion_count: 5
      lesion_area_requirements:
        - lesion_area_threshold_type: RatioInMask
          lesion_min_area: 0.001
          lesion_max_area: 1.0

  # 评价指标
  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: TIRADS 2
  1: TIRADS 3
  2: TIRADS 4A
  3: TIRADS 4B
  4: TIRADS 4C
  5: TIRADS 5