本项目提供：

• 训练脚本（PyTorch）并导出 ONNX（opset 13）
• 浏览器端前端（Canvas 采集 + 预处理 + onnxruntime-web 推理）
• 合成数据集生成脚本（无需手收集样本也能快速得到可用模型）

1. 可选：创建并激活虚拟环境

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

2. 安装依赖

pip install -r requirements.txt

3. 生成合成数据集（几秒钟完成）

python gen_synth_dataset.py --out dataset --train 4000 --val 800 --img-size 28

将会生成：

dataset/
  train/
    O/*.png
    X/*.png
  val/
    O/*.png
    X/*.png

4. 本地训练并导出 ONNX 模型

python train_oxnet.py --data dataset --epochs 8 --batch 128 --onnx model/model.onnx

模型文件输出到 model/model.onnx。

5. 本地打开前端进行推理

• 直接用浏览器打开 index.html，或
• 启动本地静态服务器（更稳妥）：

npx serve .

访问 http://localhost:3000

6. 页面使用

• 在画布写 O 或 X，点“识别”查看结果和置信度
• 也可用“保存样本 O/X”采集你自己的数据，完善数据集后再训练

仓库已包含工作流 .github/workflows/train.yml：

• 手动运行：在 Actions 选项卡选择 "Train and Build ONNX"，点击 Run workflow
• 或在相关文件变更推送时自动触发（requirements.txt、训练脚本等）
• 工作流步骤：安装依赖 -> 生成合成数据 -> 训练并导出 -> 上传 model/model.onnx 为构件（artifact）
• 运行完成后，可在该 Workflow Run 的 Artifacts 区域下载 model-onnx

下载后可将 model.onnx 放回仓库的 model/ 目录，前端即可使用。

• Input: name = "input", shape = [1,1,28,28], dtype = float32
• Output: name = "output", shape = [1,2]（logits），类别顺序为 ["O","X"]

• 本项目使用 onnxruntime-web（WASM 后端），默认纯 CPU，无需 GPU/WebGL。
• 若推理报 shape 或 name 不匹配，请确认训练导出的 input_names/output_names 与前端一致（input/output）。
• 离线环境请将 https://cdn.jsdelivr.net/npm/onnxruntime-web/dist/ort.min.js 下载到本地并用相对路径引用。

MIT © 2025 williampang