finish Experiment Tracking and Evaluation

docs/feature_work.md

@@ -79,13 +79,13 @@
 
 > *目标：提升项目的可维护性、可扩展性和易用性。*
 
-- [ ] **迁移配置到 YAML 文件**
+- [x] **迁移配置到 YAML 文件**
   - **✔️ 价值**: `config.py` 不利于管理多组实验配置。YAML 文件能让每组实验的参数独立、清晰，便于复现。
   - **📝 执行方案**:
     1. 创建一个 `configs` 目录，并编写一个 `base_config.yaml` 文件。
     2. 引入 `OmegaConf` 或 `Hydra` 库。
     3. 修改 `train.py` 和 `match.py` 等脚本，使其从 YAML 文件加载配置，而不是从 `config.py` 导入。
-- [ ] **代码模块解耦**
+- [x] **代码模块解耦**
   - **✔️ 价值**: `train.py` 文件过长，职责过多。解耦能使代码结构更清晰，符合单一职责原则。
   - **📝 执行方案**:
     1. 将 `ICLayoutTrainingDataset` 类从 `train.py` 移动到 `data/ic_dataset.py`。
@@ -95,13 +95,13 @@
 
 > *目标：建立科学的实验流程，提供更全面的模型性能度量。*
 
-- [ ] **集成实验跟踪工具 (TensorBoard / W&B)**
+- [x] **集成实验跟踪工具 (TensorBoard / W&B)**
   - **✔️ 价值**: 日志文件不利于直观对比实验结果。可视化工具可以实时监控、比较多组实验的损失和评估指标。
   - **📝 执行方案**:
     1. 在 `train.py` 中，导入 `torch.utils.tensorboard.SummaryWriter`。
     2. 在训练循环中，使用 `writer.add_scalar()` 记录各项损失值。
     3. 在验证结束后，记录评估指标和学习率等信息。
-- [ ] **增加更全面的评估指标**
+- [x] **增加更全面的评估指标**
   - **✔️ 价值**: 当前的评估指标 主要关注检测框的重合度。增加 mAP 和几何误差评估能更全面地衡量模型性能。
   - **📝 执行方案**:
     1. 在 `evaluate.py` 中，实现 mAP (mean Average Precision) 的计算逻辑。