完善 README：新增基线对比章节，嵌入 baseline 对比图，更新文件说明和目录结构

.gitignore

@@ -18,6 +18,9 @@
 !/baseline/compare_models.py
 !/baseline/ResNet34_Pretrained_10pct.py
 !/baseline/HOG_Baseline.py
+!/baseline/roc_comparison.png
+!/baseline/pr_comparison.png
+!/baseline/accuracy_bar.png
 !/training_log.csv
 !/confusion_matrix.png
 !/roc_curve.png

README.md

@@ -86,6 +86,7 @@
 - Pillow
 - torchsummary
 - scikit-learn（仅 `Evaluate.py` 需要）
+- scikit-image（仅 `baseline/HOG_Baseline.py` 需要）
 
 ## 快速开始
 
@@ -110,8 +111,9 @@
 4. **评估与可视化**：
 
    ```bash
-   python Evaluate.py     # 混淆矩阵、ROC 曲线、PR 曲线
-   python Curve.py         # 训练过程的 loss/f1/acc/lr 曲线
+   python Evaluate.py                  # 混淆矩阵、ROC 曲线、PR 曲线
+   python Curve.py                     # 训练过程的 loss/f1/acc/lr 曲线
+   python baseline/compare_models.py   # 多模型基线对比（ROC/PR/准确率）
    ```
 
 > **注意**：
@@ -123,9 +125,6 @@
 
 | 文件 | 功能 |
 |---|---|
-| `Baseline.py` → `baseline/` | 基线模型目录，VGG16+KNN 及多模型对比 |
-| `baseline/VGG_KNN.py` | VGG16 预训练特征提取 + KNN 四分类 |
-| `baseline/compare_models.py` | 多模型 ROC 曲线与准确率柱状图对比 |
 | `Train.py` | 训练主脚本，包含训练循环、验证、评估 |
 | `Finetune.py` | 微调脚本，冻结浅层后微调深层网络 |
 | `Dataloader.py` | 数据加载模块，包含 RobustImageFolder 和 DataLoader 创建 |
@@ -133,6 +132,10 @@
 | `Merge_classes.py` | 数据集预处理，265 类合并为 4 类 |
 | `Evaluate.py` | 模型评估，绘制混淆矩阵、ROC 曲线、PR 曲线 |
 | `Curve.py` | 训练曲线绘制，从 CSV 读取并绘制 loss/f1/acc/lr 曲线 |
+| `baseline/VGG_KNN.py` | VGG16 预训练特征提取 + KNN 四分类基线 |
+| `baseline/ResNet34_Pretrained_10pct.py` | ResNet-34 ImageNet 预训练 + 10% 数据微调 |
+| `baseline/HOG_Baseline.py` | HOG + 颜色直方图 + LogisticRegression（纯传统 CV） |
+| `baseline/compare_models.py` | 多模型对比（ROC / PR 曲线 + 准确率柱状图） |
 | `training_log.csv` | 训练日志，记录每轮 epoch 的 loss、f1、acc、lr |
 | `best_model.pth` | 训练好的最佳模型权重（约 125 MB，不纳入版本控制） |
 | `AGENTS.md` | AI 助手指南（开发辅助） |
@@ -145,7 +148,12 @@ trash-division/
 ├── AGENTS.md               # AI 助手指南
 ├── baseline/                # 基线模型目录
 │   ├── VGG_KNN.py           # VGG16 + KNN 分类脚本
-│   └── compare_models.py    # 多模型对比脚本
+│   ├── ResNet34_Pretrained_10pct.py  # ResNet-34 ImageNet 预训练 + 10% 微调
+│   ├── HOG_Baseline.py      # HOG + LogisticRegression 纯传统基线
+│   ├── compare_models.py    # 多模型对比脚本
+│   ├── roc_comparison.png   # 多模型 ROC 对比（compare_models.py 输出）
+│   ├── pr_comparison.png    # 多模型 PR 对比（compare_models.py 输出）
+│   └── accuracy_bar.png     # 多模型准确率对比（compare_models.py 输出）
 ├── best_model.pth           # 最佳模型权重（不纳入版本控制）
 ├── Curve.py                 # 训练曲线绘制脚本
 ├── Dataloader.py            # 数据加载模块
@@ -218,6 +226,28 @@ python Curve.py
 
 ![training_curves](training_curves.png)
 
+### 基线模型对比
+
+`compare_models.py` 对所有模型在验证集上统一评估，生成三张对比图表：
+
+```bash
+python baseline/compare_models.py
+```
+
+对比阵容：ResNet-34、ResNet-34 (10% Fine-tune)、VGG16 + KNN、HOG + LogisticRegression。
+
+**ROC 曲线对比**
+
+![roc_comparison](baseline/roc_comparison.png)
+
+**PR 曲线对比**
+
+![pr_comparison](baseline/pr_comparison.png)
+
+**准确率柱状图**
+
+![accuracy_bar](baseline/accuracy_bar.png)
+
 ## 许可证
 
 本项目主代码采用 [MIT 许可证](LICENSE)。