# XEduPro版本更新记录 每一次版本升级，都源自我们对人工智能教育理解的提升。 ## 新版发布 时间：待定 ## XEdu的版本说明 ### 基本信息 1.发布时间：2022年9月 2.基本构成：分为数据处理（BaseDT）、模型训练（MMEdu、BaseML、BaseNN）和模型应用（XEduHub、BaseDeploy）三个部分。 - 数据处理部分 - BaseDT - 模型训练 - MMEdu - BaseML - BaseNN - 模型部署库 - XEduHub - BaseDeploy ### 正式版更新记录 #### 1）MMEdu ##### V0.1.23 20231207 1. 模型转换生成的示例代码文件由basedeploy修正为xedu-python。 2. ssd_lite载入数据集完善，配置文件完善。 ##### V0.1.20 20230704 1. cls的sota()函数完善，无需声明。 ##### V0.1.15 20230605 1. 对模型生成示例代码和载入onnx权重信息做了拓展和调整。 ##### V0.1.14 20230517 1. 优化批量推理时show_result的判断逻辑，避免大量占用内存导致的内核中断。 ##### V0.1.9 20230423 1. 合并git与飞书中的最新版本。 1. 更新cls和det转换生成内容以适配最新XEdu库。 1. 消除生成onnx权重大段warning。 1. 类别压入生成的权重。 1. train()函数返回log。 1. 权重文件中保存版本号。 ##### V0.1.8 20230316 1. pth存储信息完善。 1. pth_info函数展示权重文件相关信息。 ##### V0.1.7 20230313 1. 更新cls和det模型转换后生成的py文件内容。 ##### V0.1.6 20230302 1. cls和det的推理和转化函数中去除了class_path这一参数，类别信息从pth中获得。 1. 修复SSD_Lite类名传递不正确的问题。 ##### V0.1.5 20230203 1. det修正infer和convert中类别数量的问题。 1. det模型训练时会自动保存best_map的权重。 1. det 规范化数据集文件夹名称。 1. 修复SSD_Lite类名传递不正确的问题。 ##### V0.1.4 20230106 1. cls+det同时增加可选batch_size功能。 1. det补充SSD和yolov3。 1. det输出格式由xywh修正为x1y1x2y2。 ##### V0.1.3 20221222 1. det增加模型转化功能。 2. cls+det更新模型转化功能，参数调整，会额外输出config文件。 ##### V0.1.2 20221215 cls： 1. cls检查数据集中图片shape，指出损坏图片。检查图片出现损坏时，抛出错误码`The image file xxx is damaged`。 2. 数据集如缺少txt，自动生成。 case1：数据集缺少classes.txt, val.txt ，会自动生成并提示, eg，“生成val.txt”。 case2：如缺少test_set，可正常训练，但不会生成test.txt 。（不影响正常功能） case3：如缺少val_set，可训练，但不能验证，即train函数中validate参数不能为True。（功能受损，看不到准确率，但还是可以训练出模型）。 其他： 允许数据集中出现其他类别的文件，eg,csv； 数据集中test_set可以不按照类别存放。 3. 检查写权限，确定写到哪里 innolab上数据集没有读写权限，则将txt生成至项目内，文件夹名为dataset_txt，内含classes.txt，val.txt。(若有读写权限则生成至数据集路径内） ​ 4.加入模型转换convert()函数，pth转onnx。 det： 1. det增加支持PIL和np array 输入功能。图片形式可以通过PIL和np数组进行输入，PIL和数组列表也支持输入。 2. 参考cls，det增加相关错误码。 ##### V0.1.1 20221118 ​ 支持读入pil，np格式数据。 ##### V0.1.0 20221111 1. train和infer的`device=cuda`检查`torch.cuda.is_available()`，`device=cpu`当cuda可用时提示可以使用cuda加速。 2. 文件夹推理LeNet无误。 3. `fast_infer`支持LeNet。 ##### V0.1.0rc2 20221111 ​ 同V0.0.9，少依赖版本。 ##### V0.0.9 20221104 1. 检测模块训练函数支持device参数。 2. `load_checkpoint()`参数顺序更换。将checkpoint前置（第一个），`device`后置，可以只输入路径，而省略 "`checkpoint=`"。 3. fast_infer错误反馈，补充错误情况，当`fast_infer`之前未使用l`oad_checkpoint`载入`ckpt`时会提示错误码305。 4. `MMEdu.__ path __` 可正常返回环境中包所在地址。 5. 修复lenet 文件夹推理问题。 ##### V0.0.1rc2 20221104 ​ 同V0.0.9，少依赖版本。 ##### V0.0.8 20221102 1. 加入错误反馈机制。 2. 增加命令行字符画和简介。 3. 提示目前支持的主干网络。 4. 支持推理opencv、PIL读入的图片。 5. 模型声明时允许读入配置文件，而不仅是模型名。 ##### V0.0.1rc1 20221102 ​ 同V0.0.8，少依赖版本。 #### 2）BaseML ##### V0.1.1 20240313 1. 新增valid中三个聚类评价指标。 ##### V0.1.0 20240306 1. 新增load_tab_data载入表格数据集功能。 2. 新增valid函数用于验证评估模型性能。 3. 线性回归可获得斜率和截距。 4. 新增参数设定方式。 5. metricplot画图标题修改。 ##### V0.0.6 20230217 1. 与MMEdu的错误提示码风格进行了统一，并在此基础上进行了BaseML部分的补充。 2. 所有库类代码应用了PEP8代码规范，使得代码结构与语句更加美观。 ##### V0.0.5 20230210 1. 完成模型可视化和评测指标可视化两个库。目前只有4种算法支持可视化，大部分模型支持评测指标可视化，少部分不支持。 2. 引入yellowbrick库，用于评测指标可视化。 3. 修改了load_dataset函数，cls和reg默认split=True, 即划分为训练和测试集， 聚类和降维默认不划分。 4. 加入了警告（蓝色字体）和报错（红色字体），但待与MMEdu的风格统一。 ##### V0.0.4 20221121 ​ 按照cls中的分类算法，给reg中的算法名进行了更改与添加，目前的回归算法有：['LinearRegression', 'CART', 'RandomForest', 'Polynomial', 'Lasso', 'Ridge', 'SVM', 'AdaBoost', 'MLP']。 ##### V0.0.3 20221115 ​ 把 `from BaseML import Classification` 调用为`Classification.cls` 改成了 `from BaseML import Classification as cls` 调用为 `cls(algorithm= ...)`。 ##### V0.0.2 20221110 1. 给每个类增加了docstring类型的注释，可以使用`cls.__doc__`查看拥有的算法以及类注释。 2. 更改了`load_dataset`函数的初始默认值，默认shuffle, 不展示前5条数据，不划分数据集，不进行数据归一化。 3. 添加了反归一化函数，可以将归一化后的数据转换为原数据，在`base.reverse_scale`函数中。 ##### V0.0.1 20221110 1. `load_dataset`中设置了X和y的默认列，如果没有标明`x_column`和`y_column`，默认采用输入的所有列。但输入的是txt或csv格式的话，一定要标注出列号，否则报错。 2. `inference()`中加了参数`verbose`，默认值为True，表示会输出训练过程中的过程数据，False则不会。 3. `train()`中设置了参数`validate`（默认为True），表示会将输入的训练集划分为训练集和验证集，并输出验证集下的模型准确率。 4. 添加了图片读取处理模块ImageLoader，具体使用方式查看文件中的注释以及demo实现。 5. 对于加载数据集，添加了几个bool标记：shuffle, show, split, scale，分别表示是否打乱数据集、是否展示5条数据、是否划分数据集、是否对训练数据进行归一化。 6. 每个模型的初始化增加了参数字典方法，便于更高级的模型调参。 #### 3）BaseNN ##### V0.2.9 20240311 1. load_img_data函数transform方式优化。 ##### V0.2.6 20240108 1. 模型转化生成的推理代码调整。 2. 增加载入数据时num_wokers控制，增加模型转化时中间版本、算子集版本控制。 3. 新增搭建残差网络功能。 ##### V0.2.3 20231207 1. basenn模型转换生成对应的xedu-python推理代码。 ##### V0.2.1 20231013 1. 支持basenn导出的pth文件转化为onnx。 ##### V0.1.8 20230710 1. numpy数组推理优化。 ##### V0.1.7 20230706 1. numpy数组推理优化。 ##### V0.1.6 20230531 1. 训练速度优化，dataloader多线程读取设置。 ##### V0.1.5 20230529 1. basenn层名兼容大小写，推荐全部采用小写。 2. 图片文件夹、特征csv格式数据集设计并实现。 ##### V0.0.7 20230322 1. 继续训练，特征可视化适配新的pth文件格式。 ##### V0.0.6 20230317 1. 保存模型文件由pkl统一为pth，加入pth_info()。 2. 加入RNN部分。 ##### V0.0.5 20221215 1. 可视化特征，只有传统意义上的层才计数，relu，reshape，softmax不计数;且当输入为二维图像时，展示可视化的图像，输入为一维数据时，生成txt保存每层之后的输出。 2. 加入随机数种子，确保当指定种子后，反复训练可以得到完全一致的结果。 3. 可选损失函数，可选评价指标。 ##### V0.0.4 20221202 ​ 参数控制可视化，一整张图or一系列图。 ##### V0.0.3 20221116 ​ 增加提取特征，可视化特征功能。 #### 4）BaseDT ##### V0.1.3 20240229 1. split_tab_dataset()新增参数column_name,可传入列表,自定义列名。 ##### V0.1.2 20230914 1. 修正了FasterRCNN模型输入图像尺寸的问题。 ##### V0.1.1 20230626 1. 修复BaseDT中plot模块在自定义载入时绘图通道顺序显示的错误。 2. 修改plot对分类问题显示时重复出现pred_label。 ##### V0.1.0 20230621 1. 修复plot在绘图时信息未载入而引发报错的问题。 ##### V0.0.9 20230620 1. 修复了plot使用show时函数冲突问题。 2. 增加了MMPose绘图所需的模块。 3. 修复了get_img时调用了show函数导致会使用plt进行绘制的问题。 4. util模块增加MMPose SIMCC格式推理前后处理的内容（之后得考虑将其迁移至data模块中）。 ##### V0.0.8 20230616 1. 画图功能完善。 ##### V0.0.7 20230609 1. 划分csv数据集加入归一化功能。 ##### V0.0.6 20230607 1. 加入划分csv数据集功能。 2. 取消jieba安装依赖，仅在函数内部引用。 3. basedeploy相关的功能更新。 ##### V0.0.4 20230426 1. log_plot接入train时日志导出。 2. 类名导出函数重命名为get_label。 3. 修复imshow_det_bboxes、map_orig_coords函数的一些漏洞。 ##### V0.0.1 20230209 ​ 首次上源。 #### 5）XEdu一键安装包 ##### V1.6.7 20231129 ​ 删除PyQt5库。 ​ Thonny版本调整为稳定的3.3.13。 ​ 增加xedu-hub的workflow功能。 ​ 增加新版Easy系列（easy-xedu）。 ​ 优化文件目录。 ​ 同时发布XEdu信息科技教学版1.3a版本。 ##### V1.6.6 20231116 ​ 添加新版Easy系列测试版本，大约70人内测。 ##### V1.6.5 20231020 ​ 更新BaseNN库，支持onnx模型转换。 ##### V1.6.4 20231010 ​ 更新BaseNN库，支持回归任务（model = nn('reg')）。 ​ 更新XEdu-python库，支持更多推理任务工作流（workflow）。 ##### V1.6.3 20230916 ​ 修正bug。 ##### V1.6.2 20230912 ​ 修正bug。 ##### V1.6 20230901 ​ 重构opencv-python库环境。 ​ 支持bug解决脚本（解决绝大多数问题）。 ​ 支持jupyter notebook中文。 ​ 升级库版本MMEdu0.1.21，BaseNN0.2.0，BaseML0.0.6、BaseDT0.1.1、BaseDeploy0.0.4。 ​ 支持openxlab下载（https://download.openxlab.org.cn/models/yikshing/bash/weight/x16） ##### V1.5.4 20230811 ​ 升级库版本。 ​ 支持cmd终端一键启动。 ​ 支持jupyter notebook中文。 ##### V1.5.2 20230613 ​ 升级库版本。 ##### V1.4.6 20230529 ​ 解决BaseNN推理缓慢的问题。 ##### V1.4.5 20230529 ​ 升级BaseNN语法； ​ 修复pip安装失败的问题； ​ 优化easy系列功能。 ##### V1.4 20230516 ​ 支持模块：MMEdu0.1.13（支持cls和det），BaseNN0.0.9，BaseML0.0.6（支持cls、reg和clt）、BaseDT0.0.5（支持通用数据处理） ​ 内置编辑器：jupyter、pyzo、三个可视化工具（EasyTrain EasyInference EasyAPI） ​ 升级支持模型转换onnx、推理和部署语法精简，不再需要class_path。BaseML支持绘图。 ##### V1.3 20230416 ​ 支持模块：MMEdu0.1.8（支持cls和det），BaseNN0.0.9，BaseML0.0.6（支持cls、reg和clt）、**BaseDT0.0.2（支持通用数据处理）** ​ 内置编辑器：jupyter、pyzo、三个可视化工具（EasyTrain EasyInference EasyAPI） ##### V1.2 20230110 ​ 支持模块：MMEdu0.1.4（支持 cls 和 det），BaseNN0.0.5，BaseML0.0.3（支持 cls、reg 和 clt） ​ 内置编辑器：jupyter、pyzo、三个可视化工具（EasyTrain EasyInference EasyAPI） ##### V1.1 20221220 ​ 支持模块：MMEdu0.1.2（支持cls和det），BaseNN0.0.5，BaseML0.0.3（支持cls、reg和clt） ​ 内置编辑器：jupyter、pyzo、三个可视化工具（EasyTrain、EasyInference和EasyAPI） #### 6）BaseDeploy ##### V0.0.3 20230626 1. 新增demo实例文件夹，内置lenet的onnx模型。 2. 预测结果保留未润色后的形式，并可使用print_result对结果进行润色。 #### 7）XEdu-python ##### V0.2.0 20240701 1. 新增深度估计模型。 2. 新增音频嵌入模型。 ##### V0.1.8 20240607 1. 新增seg任务sam模型。 ##### V0.1.5 20240513 1. utils新增可视化相似度矩阵和可视化类别概率分布功能。 ##### V0.1.3 20240320 1. 对BaseML任务的输入数据格式提示。 ##### V0.1.1 20240131 1. 初步加入错误码体系。 2. 人脸检测新增可调参数。 ##### V0.0.8 20231219 1. 增加文本嵌入和图像嵌入任务。 ##### V0.0.7 20231120 1. 增加文本问答任务。 2. 增加驾驶感知任务。 ##### V0.0.5 20231103 1. 增加风格迁移任务。 2. 增加图像分类任务。 ##### V0.0.3 20231013 1. 增加人手检测任务。 2. 优化ocr中show=True时的显示问题。 3. 支持basenn导出的onnx模型。 ##### V0.0.2 20231008 1. 增加人脸检测任务、ocr任务。 2. 优化参数。 3. 支持mmedu导出的onnx模型。 ##### V0.0.1 20230928 1. 实现五个姿态估计任务（人体*2、手势、人脸、全身）和两个目标检测任务（人体，coco80类别）的简明工作流程。 ## 2. 测试版 ### XEdu 0.1.0版 发布时间：2022.11 版本说明：优化MMEdu、BaseML、BaseNN等模块，增加EasyAPI.bat、EasyInference.bat、EasyTrain.bat三个可视化工具，更新所有示例代码。 ### MMEdu pip-0.0.1版 发布时间：2022.8 版本说明：发布内测版pip包。 ### XEdu 0.0.1版 发布时间：2022.6 版本说明：重构目录结构，建立MMEdu和BaseML两大模块。 ### 0.7版 发布时间：2022.6 版本说明：优化0.5版两个模块，新增自定义网络（BaseNN）模块。 ### 0.5版 发布时间：2022.4 版本说明：整合图像分类（cls）、物体检测（det）两个核心模块，内置Pyzo、Jupyter，实现一键部署。