完成训练模块的转移

apps/business/train/crud.py

@@ -9,6 +9,8 @@
 from sqlalchemy.ext.asyncio import AsyncSession
 from core.crud import DalBase
 from . import models, schemas
+from utils import os_utils as os
+from utils.csv_utils import read_csv
 
 
 class ProjectTrainDal(DalBase):
@@ -17,4 +19,75 @@ class ProjectTrainDal(DalBase):
         super(ProjectTrainDal, self).__init__()
         self.db = db
         self.model = models.ProjectTrain
-        self.schema = schemas.ProjectTrainSimpleOut
+        self.schema = schemas.ProjectTrainOut
+
+    async def get_result(self, train_id: int):
+        """
+        查询训练报告
+        """
+        data = await self.get_data(data_id=train_id)
+        if data is None:
+            return None
+        result_csv_path = os.file_path(data.train_url, 'results.csv')
+        result_row = read_csv(result_csv_path)
+        report_data = {}
+        # 轮数
+        epoch_data = []
+        # 边界框回归损失（Bounding Box Loss），衡量预测框位置（中心坐标、宽高）与真实框的差异，值越低表示定位越准。
+        train_box_loss = []
+        # 目标置信度损失（Objectness Loss），衡量检测到目标的置信度误差（即是否包含物体），值越低表示模型越能正确判断有无物体。
+        train_obj_loss = []
+        # 分类损失（Classification Loss），衡量预测类别与真实类别的差异，值越低表示分类越准。
+        train_cls_loss = []
+
+        # 验证集的边界框回归损失，反映模型在未见数据上的定位能力。
+        val_box_loss = []
+        # 验证集的目标置信度损失，反映模型在未见数据上判断物体存在的能力。
+        val_obj_loss = []
+        # 验证集的分类损失，反映模型在未见数据上的分类准确性。
+        val_cls_loss = []
+
+        # 精确率（Precision）：正确检测的正样本占所有预测为正样本的比例，反映“误检率”。值越高说明误检越少。
+        m_p = []
+        # 召回率（Recall）：正确检测的正样本占所有真实正样本的比例，反映“漏检率”。值越高说明漏检越少。
+        m_r = []
+
+        # 主干网络（Backbone）的学习率。
+        x_lr0 = []
+        # 检测头（Head）的学习率。
+        x_lr1 = []
+
+        for row in result_row:
+            epoch_data.append(row[0].strip())
+
+            train_box_loss.append(row[1].strip())
+            train_obj_loss.append(row[2].strip())
+            train_cls_loss.append(row[3].strip())
+
+            val_box_loss.append(row[8].strip())
+            val_obj_loss.append(row[9].strip())
+            val_cls_loss.append(row[10].strip())
+
+            m_p.append(row[4].strip())
+            m_r.append(row[5].strip())
+
+            x_lr0.append(row[11].strip())
+            x_lr1.append(row[12].strip())
+
+        report_data['epoch_data'] = epoch_data
+
+        report_data['train_box_loss'] = train_box_loss
+        report_data['train_obj_loss'] = train_obj_loss
+        report_data['train_cls_loss'] = train_cls_loss
+
+        report_data['val_box_loss'] = val_box_loss
+        report_data['val_obj_loss'] = val_obj_loss
+        report_data['val_cls_loss'] = val_cls_loss
+
+        report_data['m_p'] = m_p
+        report_data['m_r'] = m_r
+
+        report_data['x_lr0'] = x_lr0
+        report_data['x_lr1'] = x_lr1
+
+        return report_data