快速开始¶

本指南先验证公开代码可以正常运行，再说明如何用最少步骤将一组经授权的传感器流转换为活动工作簿。

1. 安装¶

conda env create -f environment.yml
conda activate imu-activity-pipeline
python -m pip install -e .
python tests/smoke_test.py

此步骤不需要私有记录或已训练检查点。

2. 目录¶

data/
├── signals/
│   ├── train/
│   ├── internal_eval/
│   └── external_test/
├── annotations/
├── splits/
└── metadata/

saved_models/
├── ensemble_config.json
└── <HF 下载文件保存在这里>

每个传感器文件均采用 UTF-8 编码、制表符分隔，并至少包含：

ACC_TIME  ACC_X  ACC_Y  ACC_Z  GYRO_X  GYRO_Y  GYRO_Z

默认模型使用六个物理通道。ACC_TIME 保存毫秒时间戳；发布的文件可以保留其他列。

3. 推理¶

将经授权的输入文件放入 data/signals/external_test/，然后运行：

python run_inference.py

首次运行会从 Hugging Face 下载并校验公开的 PyTorch 资产。也可提前运行 python scripts/download_model_assets.py python。

兼容入口会调用已安装的软件包并写入：

predictions_external_test.xlsx

每行预测均遵循：

user_id, category, start, end

4. 路径¶

python -m imu_activity_pipeline.inference \
  --data_dir data/signals/internal_eval \
  --output predictions_internal_eval.xlsx

也可以在不移动仓库检出内容的情况下重定向规范路径：

export HLS_HAR_DATA_ROOT=/absolute/path/to/data
export HLS_HAR_MODEL_DIR=/absolute/path/to/saved_models
export HLS_HAR_INFERENCE_SPLIT=internal_eval
python run_inference.py

5. 评估¶

python evaluate.py \
  --split internal_eval \
  --predictions predictions_internal_eval.xlsx

评估器执行同类别、一对一的片段匹配，并报告 IoU > 0.5 时的精确率、召回率和 F1。

6. 复现¶

准备好所需的本地数据与固定资产后，运行：

bash run_reproducibility_experiments.sh

生成的材料保存在已被忽略的目录中：

experiments/results/
experiments/figures/
experiments/logs/

如有需要，可以指定 Python 解释器：

PYTHON_BIN=/absolute/path/to/python bash run_reproducibility_experiments.sh