更新README大题分割部分

README.md

@@ -108,13 +108,88 @@ OCRAutoScore
 +----.gitignore # git忽略的文件夹、文件
 ```
 
-# 4 大题分割
+# 4 作答区域分割-大题分割
 
+在大题分割部分，我们使用了YOLOv8模型，通过使用老师提供的数据集进行训练，最终呈现了十分完美的效果。
 
+## 4.1 YOLOv8
 
+<img src="README.assets/62b5ed8625d6c4a157f1ee7a1c10c4e9.png" alt="YOLOv8来啦 | 详细解读YOLOv8的改进模块！YOLOv5官方出品YOLOv8，必卷！ - 智源社区" style="zoom: 67%;" />
 
+YOLOv8是一个包括了图像分类、Anchor-Free物体检测和实例分割的高效算法，检测部分设计参考了目前大量优异的最新的YOLO改进算法，实现了新的SOTA。YOLOv8抛弃了前几代模型的Anchor-Base，是一种基于图像全局信息进行预测的目标检测系统。
 
-# 5 小题分割
+与前代相比，YOLOv8有以下不同：
+
+1. 提供了全新的SOTA模型，包括具有P5 640和P6 1280分辨率的目标检测网络以及基于YOLACT的实例分割模型。与YOLOv5类似，还提供了不同大小的N/S/M/L/X比例模型，根据缩放系数来满足不同场景需求。
+
+2. 骨干网络和Neck部分可能参考了YOLOv7 ELAN的设计思路。在YOLOv5中，C3结构被替换为具有更丰富梯度流动性的C2f结构。对于不同比例模型进行了不同通道数量调整，并经过精心微调而非盲目应用一组参数到所有模型上，大大提高了模型性能。然而，在这个C2f模块中存在一些操作（如Split）并不像之前那样适合特定硬件部署。
+
+3. 与YOLOv5相比，在Head部分进行了重大改变，采用主流解耦头结构将分类和检测头分离，并从Anchor-Based转向Anchor-Free。
+
+4. 在损失计算策略方面，采用TaskAlignedAssigner正样本分配策略以及引入Distribution Focal Loss。
+
+5. 在训练过程中进行数据增强时，引入自YOLOX关闭Mosaic增强操作后10个epoch可以有效提高准确性。
+
+YOLOv8作为一种实时目标检测算法，可能被应用于多种场景，包括但不限于：
+
+- 无人驾驶汽车：实时检测道路上的行人、车辆、交通信号等目标，为自动驾驶系统提供关键信息。
+- 视频监控：实时检测和跟踪安全系统中的异常行为，如闯入、偷窃等。
+- 工业自动化：用于产品质量检测、机器人导航等领域。
+- 无人机航拍：实时目标检测和跟踪，为无人机提供导航和避障能力。
+
+此处，我们将其应用于大题分割，也就是，在我们提供的整张试卷中，找到对应的大题（如：客观题、填空题、主观题等）。
+
+## 4.2 单独执行大题分割
+
+大题分割源码在`segmentation/Layout4Card`，也可以通过URLhttps://github.com/vkgo/OCRAutoScore/blob/3a97c0bd2b32abdeaba7c7c0bfa5106bdaee4479/segmentation/Layout4Card进入我们仓库中大题分割的目录查看、复制、运行。
+
+`infer.py`是一个推理代码的示范，在这之中：
+
+1. CLS_ID_NAME_MAP是一个字典，里面有我们支持的识别类别和它对应的index。
+2. model是载入模型，此处可以使用我们训练好的模型不需要改动。
+3. folder是将要测试的图片的目录，可以换为测试图片。
+4. 运行后，由于`model.predict(source=imgs, save=True, imgsz=640)`中的`save=True`，文件将被村粗在`segmentation/Layout4Card/run`目录之下。
+
+```python
+CLS_ID_NAME_MAP = {
+    0: 'student_id',
+    1: 'subjective_problem',
+    2: 'fillin_problem',
+    3: 'objective_problem'
+}
+
+model = YOLO(model='./runs/detect/train3/weights/best.pt')
+folder = './testdata'
+file_names = os.listdir(folder)
+
+random.shuffle(file_names)
+
+imgs = []
+for file_name in file_names[:10]:
+    img_path = os.path.join(folder, file_name)
+    img = cv2.imread(img_path)
+    imgs += [img]
+results =  model.predict(source=imgs, save=True, imgsz=640)
+```
+
+## 4.3 样例
+
+```shell
+cd .\segmentation\Layout4Card\
+python .\infer.py
+```
+
+
+
+![image-20230422110046357](README.assets/image-20230422110046357.png)
+
+保存的图片如下：：
+
+<img src="README.assets/image-20230422110135175.png" alt="image-20230422110135175" style="zoom: 33%;" />
+
+
+
+# 5 作答区域分割-小题分割
 
 
 
@@ -133,7 +208,8 @@ OCRAutoScore
 
 
 # 8 填空题模型-公式识别
-# 8.1 框架
+## 8.1 框架
+
 ![CAN模型框架](README.assets/CAN.png)
 
 

segmentation/Layout4Card/infer.py

@@ -11,7 +11,7 @@
 }
 
 model = YOLO(model='./runs/detect/train3/weights/best.pt')
-folder = '/data02/data/answersheet/1664328181460/6333b2373a83aa4f9a04f640'
+folder = './testdata'
 file_names = os.listdir(folder)
 
 random.shuffle(file_names)