Update README.md

README.md

@@ -17,109 +17,240 @@ tags:
 
 ---
 
-# IsACG – “是否是 ACG 图像”的二分类模型系列
+# IsACG - ACG风格图像分类模型
 
-IsACG 是一个专注于判断图像是否为 ACG（**Anime、Comic、Game**）/二次元风格的轻量化图像分类系列模型。模型基于 **MobileNetV3-Large** 和 **MobileNetV3-Small** 构建，在保证性能的同时注重低资源占用，适用于多种部署环境。
+<p align="center">
+  <a href="https://huggingface.co/moyanjdc/IsACG"><img src="https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-Model%20Hub-yellow"></a>
+  <a href="https://pytorch.org/"><img src="https://img.shields.io/badge/PyTorch-2.7-red.svg"></a>
+  <a href="https://github.com/moyanjdc/IsACG/blob/main/LICENSE"><img src="https://img.shields.io/badge/License-MIT-blue.svg"></a>
+  <a href="https://github.com/moyanjdc/IsACG"><img src="https://img.shields.io/badge/GitHub-Repository-black"></a>
+</p>
 
----
+IsACG是一个轻量级的二分类图像分类模型系列，专门用于判断图像是否为ACG（动画、漫画、游戏）或二次元风格。项目基于PyTorch实现，提供完整的训练、评估和部署流程。
 
-## 模型架构说明
+## 🌟 模型特色
 
-- **v1**：`mobilenet_v3_large`
-  - 参数量约为 5.5M；
-  - 更高的分类精度，适用于中端服务器或推理精度优先的场景。
+- **🎯 高精度**: 在ACG识别任务上达到99%准确率
+- **⚡ 轻量快速**: 参数量仅2.5M-5.5M，推理速度快
+- **🔄 多格式支持**: 原生PyTorch、ONNX格式，便于部署
+- **📱 多端适用**: 支持CPU、GPU、移动端部署
+- **🔗 完整工具链**: 包含数据预处理、训练、评估、转换和部署的全套工具
 
-- **v1s**：`mobilenet_v3_small`
-  - 参数量约为 2.5M；
-  - 更轻便、更快的推理速度，适合边缘设备、嵌入式系统和移动端部署。
+## 模型版本
 
-- **v2**：v1s 的改进版本，融合了更广泛的数据训练和数据增强，提升泛化性；
-  - 参数量相近；
-  - 在复杂图像（如风格混合、低分辨率）上更具鲁棒性。
+| 版本 | 架构              | 参数 | 准确率 | 特点                   |
+| ---- | ----------------- | ---- | ------ | ---------------------- |
+| v1   | MobileNetV3-Large | 5.5M | ~99.1% | 高精度，适合服务器部署 |
+| v1s  | MobileNetV3-Small | 2.5M | ~98.9% | 轻量快速，适合移动端   |
+| v2   | MobileNetV3-Small | 2.5M | ~97.5% | 改进泛化能力           |
 
----
+## 🎯 使用场景
 
-## 分类任务
+### ✅ 推荐使用
+- 动漫/漫画内容过滤
+- 游戏截图识别
+- 二次元风格检测
+- 内容审核系统
+- 图像分类管道
 
-- **目标标签**：二分类
-  - `"yes"`：图像为动漫、漫画或游戏相关风格；
-  - `"no"`：图像为现实照片、插画或其他非 ACG 风格。
+### ⚠️ 注意事项
+- 主要针对风格识别，而非内容理解
+- 对于高度风格化的图像（如3D渲染动漫）可能误判
+- 建议图像分辨率不低于256×256
 
----
+## 快速开始
 
-## 快速使用
+### 安装依赖
 
+```bash
+uv sync
+```
 
+### 使用预训练模型
 
----
+1. **下载模型**：
+   - 从[Hugging Face仓库](https://huggingface.co/moyanjdc/IsACG/)下载预训练模型
+   - 将模型文件放入`models/release/`目录
+
+2. **命令行推理**：
+```bash
+python isacg.py --model_path models/release/IsACG_v1s_98.94%.onnx --image_path your_image.jpg
+```
+
+3. **Web界面**：
+```bash
+python webapp.py
+```
+访问 http://localhost:8080 使用图形界面
+
+4. **API服务**：
+```bash
+python onnx_server.py
+```
+使用POST请求调用 `/predict` 接口
+
+## 完整使用流程
 
-## 模型配置
+### 1. 数据准备
+
+```bash
+# 准备原始数据
+# 正样本（ACG风格）放在 dataset/yes/
+# 负样本（非ACG风格）放在 dataset/no/
+
+# 运行预处理
+python pre_process.py
+```
+
+### 2. 训练模型
+
+```bash
+# 基本训练
+python train.py --model_name mobilenet_v3_small --epochs 20 --batch_size 32
+
+# 使用预训练权重
+python train.py --model_name mobilenet_v3_small --use_pretrained
+
+# 启用TensorBoard监控
+python train.py --model_name mobilenet_v3_large --use_tensorboard
+```
+
+### 3. 模型转换与优化
+
+```bash
+# 转换为ONNX格式
+python conv.py checkpoint.pth -v 1s -a 98.94
+
+# 模型量化（减少模型大小）
+python qua.py
+```
 
-默认标签配置：
-```json
+### 4. 模型分析
+
+```bash
+# 查看模型检查点信息
+python look.py checkpoint.pth
+```
+
+## 项目结构
+
+```
+IsFirefly/
+├── model.py              # 模型定义
+├── train.py              # 训练脚本
+├── dataset.py            # 数据加载
+├── isacg.py              # 推理评估
+├── conv.py               # 模型转换（PyTorch→ONNX）
+├── qua.py                # 模型量化
+├── webapp.py             # Gradio Web界面
+├── onnx_server.py        # Flask API服务
+├── pre_process.py        # 数据预处理
+├── make_unplash.py       # Unplash数据下载���具
+├── look.py               # 模型检查点分析
+├── pyproject.toml        # 项目配置
+└── README.md             # 说明文档
+```
+
+## API接口说明
+
+### REST API (onnx_server.py)
+
+```python
+# 请求示例
+curl -X POST -F "file=@image.jpg" http://localhost:5000/predict
+
+# 响应格式
 {
-    "0": "no",
-    "1": "yes"
+    "predicted_class": "acg",
+    "confidence": 0.9945,
+    "success": true
 }
 ```
 
----
+### Python API
 
-## 模型性能对比（示例）
+```python
+from isacg import TorchInference, ONNXInference
+from PIL import Image
 
-| 模型版本 | 架构             | Accuracy | 推理速度 (FPS) | 参数量 | 主要特点                   |
-|----------|------------------|----------|----------------|--------|----------------------------|
-| v1       | MobileNetV3-Large  | 99.1%    | 35             | 5.5M  | 精度高，适用于服务器环境      |
-| v1s      | MobileNetV3-Small  | 98.9%    | 65             | 2.5M  | 轻量、快，在移动设备上表现好 |
-| v2       | MobileNetV3-Small | 97.5%    | 58             | 2.5M  | 增强泛化，适用更多风格       |
+# 使用PyTorch模型
+predictor = TorchInference("model.pth", device="cuda")
+result = predictor.predict(Image.open("image.jpg"))
 
----
+# 使用ONNX模型
+predictor = ONNXInference("model.onnx", device="cuda")
+result = predictor.predict("image.jpg")
+```
 
-## 数据来源与训练
+## 训练配置
 
-- **数据集结构**：
-  - 正样本：ACG 图像（动漫截图、漫画分镜、游戏画面）；
-  - 负样本：非 ACG 图像（照片、现代 UI、3D 渲染、自然风景等）；
-- **优化器**：AdamW
-- **学习率调度**：ReduceLROnPlateau
-- **训练框架**：PyTorch + TorchVision 库；
-- **支持图像尺寸**：512x512 或上下文自适应填充。
+### 超参数
+- 输入尺寸：512×512
+- 学习率：1e-3
+- 优化器：Adam
+- 损失函数：交叉熵损失
+- 学习率调度：ReduceLROnPlateau
+- 数据增强：随机旋转、水平翻转、日晒效果
 
----
+### 数据增强
+项目包含多种数据增强技术，提高模型泛化能力：
+- 随机旋转 (±25度)
+- 随机水平翻转 (p=0.5)
+- 随机日晒效果 (p=0.5)
 
-## 示例输出
+### 性能指标
 
-| 输入图像             | 输出类别     |
-|----------------------|--------------|
-| 动漫插画截图         | `"yes"`      |
-| 漫画分镜               | `"yes"`      |
-| Steam 商店游戏页面截图   | `"yes"`      |
-| 真实风景照             | `"no"`  |
-| 人物写实照片          | `"no"`  |
-| 篮球明星图像          | `"no"`  |
+| 设备            | 推理速度     | 内存占用 | 推荐用途 |
+| --------------- | ------------ | -------- | -------- |
+| CPU (E5-2673V3) | ~25FPS  | ~200MB   | 本地测试 |
+| GPU (GTX 750)  | ~40FPS   | ~500MB   | 生产部署 |
 
----
+## 📝 技术细节
 
-## 模型适用场景
+### 模型架构
+- **基础网络**: MobileNetV3-Large/Small
+- **输入尺寸**: 512×512
+- **输出**: 二分类（0: 非ACG, 1: ACG）
+- **参数量**: 2.5M (v1s/v2) / 5.5M (v1)
 
-✅ ACG 图像内容识别与过滤
-✅ 自动打标与数据筛选系统
-✅ 风格分类器嵌入到多模态 AI 系统中
-✅ 低资源设备（v1s/v2）快速判断
+### 训练数据
+- **正样本**: 50,00+ ACG图像（动漫、漫画、游戏）（来自@Scighost/爬虫）
+- **负样本**: 50,00+ 真实照片、插画等（来自Unplash）
+- **数据增强**: 随机旋转、翻转、色彩调整
 
----
 
-## 贡献与扩展
+## 贡献指南
 
-该项目遵循 MIT 协议开源，欢迎贡献和改进：
+欢迎贡献代码、数据或文档改进：
 
-- 为您提供新类型的 ACG 风格标注；
-- 提出改进模型泛化性的训练技巧；
-- 添加更多语言的模型描述和推理 API 示例；
+1. Fork本仓库
+2. 创建特性分支
+3. 提交更改
+4. 发起Pull Request
 
----
+## 许可证
+
+本项目采用MIT许可证。详见LICENSE文件。
 
-## 许可协议
+## 致谢
+
+- 感谢PyTorch和TorchVision团队
+- 特别感谢[@Scighost](https://github.com/Scighost)老师的铯图（25%的训练集）
+- 感谢[Unplash](https://unsplash.com/)提供的真实图片图片数据集
+- 感谢开源社区的支持
+
+## 联系方式
+
+- 项目主页：https://github.com/moyanj/IsACG
+- 问题反馈：GitHub Issues
+- 模型下载：[Hugging Face Hub](https://huggingface.co/moyanjdc/IsACG/)
+
+---
 
-MIT License，你可以自由用于研究和商业用途。详情请见 [LICENSE](LICENSE)。
+*注：本项目主要用于教育和研究目的。商业使用请确保遵守相关法律法规和版权要求。*
 
+<p align="center">
+  Made with ❤️ by <a href="https://github.com/moyanjdc">moyanjdc</a> · 
+  <a href="https://huggingface.co/moyanjdc/IsACG">HF Hub</a> · 
+  <a href="https://github.com/moyanjdc/IsACG">GitHub</a>
+</p>