AICUP 2025 主動脈瓣物件偵測 Workflow Skill

這個 Skill 用來協助你在 AICUP 2025 主動脈瓣物件偵測競賽中，穩定且有系統地提升成績。

使用情境（When to use）

• 使用者提到：
  • 「AICUP 2025 主動脈瓣物件偵測」
  • 主動脈瓣 / aortic valve 的偵測 / bounding box 標註
  • 比賽規則、評分方式、submission 格式
  • 需要規劃實驗或優化 leaderboard 分數
• 使用者把官方簡報 PDF 或規則檔放在 docs/ 下，並請你幫忙分析。

當這些條件出現時，請啟用本 Skill，並依照以下流程行動。

整體流程

1. 確認專案與資料結構

1. 使用 Glob 與 Read 工具，搜尋並列出：
   • docs/ 下所有與 AICUP 相關 PDF / PPTX
   • data/ 下的資料夾結構（train / val / test / annotations 等）
   • baseline/ 或 src/ 下的程式碼與設定檔
2. 將目前狀態整理成簡短摘要回報給使用者，包含：
   • 是否已有 baseline
   • 是否已有任意訓練 / inference script
   • 是否有現成的 submission 範例

2. 深入理解比賽規則與評分指標

1. 若安裝了 PDF 相關 Skill 或 MCP（例如 docling、document-skills/pdf），請：
   • 用這些工具讀取 docs/ 下的競賽簡報與規則 PDF。
   • 把以下資訊整理成有條列的 checklist：
     • 評分指標（例如 mAP / IoU / F1 等）
     • 是否區分 public / private leaderboard
     • submission 檔案欄位與命名規則
     • 資料使用限制（external data / pretrain model）
     • 重要 deadline 或額外加分項目
2. 在回答中主動提醒使用者：「任何實作都必須符合這份 checklist」。

3. 建立實驗框架與目錄結構

請協助使用者建立一個清楚的實驗目錄，例如：

• experiments/
  • exp_YYYYMMDD_baseline_yolo/
  • exp_YYYYMMDD_aug_mixup/
  • exp_YYYYMMDD_ensemble/

對每個實驗：

1. 產生一份設定檔（YAML / JSON / Python module）：
   • 資料路徑 / 影像尺寸 / augmentation
   • 模型架構與 backbone
   • Optimizer / scheduler / batch size / epoch 數
   • 評估指標與 early stopping 條件
2. 規劃訓練與推論指令：
   • train.py：負責 training / validation
   • inference.py：產生 submission 所需格式的輸出
3. 使用 Write 工具，把這些腳本與設定實際寫入 src/ 或 experiments/ 下。

4. 建立 baseline 並確認可重現性

1. 先根據官方或你自擬的 baseline 完成：
   • 完整訓練流程（即便是較小 epoch）
   • 完整推論與 submission 產生
2. 要求自己（或使用者）實際執行一次：
   • 若出現錯誤，協助 debug 並修正腳本
   • 確保只要跑同一套指令，就可以得到一致的結果
3. 把 baseline 成績（public leaderboard / local metric）記錄在：
   • experiments/exp_xxx/metrics.json
   • 或 results/experiments_overview.xlsx（可藉由 xlsx skill 協助）

5. 系統性調參與改進策略

當 baseline 已穩定可重現後，依照下列順序逐步優化：

1. 資料前處理與 augmentation
   • 分析影像解析度、主動脈瓣的大小分佈。
   • 設計合理的 resize / crop / padding 策略。
   • 加入適度的 augmentation（flip / rotate / color jitter 等），避免過度破壞醫學影像特徵。
2. 模型架構
   • 比較不同 backbone / detection head（例如 YOLO 系列 / Faster R-CNN / RetinaNet 等）。
   • 若計算資源許可，可嘗試 ensemble。
3. Loss 與訓練策略
   • 調整 IoU / CIoU / GIoU 等 loss 組合。
   • 使用 warmup / cosine scheduler / EMA 等技巧。
4. 推論與後處理
   • 調整 NMS 閾值、score threshold。
   • 探索 multi-scale inference 或 TTA。

在每一步：

• 只變動少數關鍵超參數，避免一次改太多導致無法歸因。
• 將每次變更清楚記錄在實驗設定與結果檔中。

6. Submission 檔案產生與驗證

1. 根據規則整理出 submission 所需：
   • 欄位名稱（例如 image_id / x_min / y_min / x_max / y_max / score）
   • 檔名與壓縮格式（例如 submission.csv / submission.zip）
2. 建立一個 make_submission.py（或類似）腳本，負責：
   • 從 model output 讀取結果
   • 轉換成官方指定的格式
   • 自動檢查常見錯誤（空欄位 / NaN / 重複 ID 等）
3. 在本地進行一次「dry run」：
   • 產生 submission 檔，並請使用者實際上傳到比賽平台確認可被接受。

7. 報告與簡報準備

1. 若安裝了 document-skills/pptx 與 theme-factory 等 Skill：
   • 協助產生比賽報告簡報，包括：
     • 問題定義與資料介紹
     • 模型架構與實驗設計
     • 結果與 ablation study
     • 未來工作與可能改善方向
2. 確保簡報內容不包含任何個資或醫療建議，純粹聚焦在技術層面。

實作細節指引

• 儘量產生 可直接執行的程式碼與腳本，而不是只給高階 pseudo-code。
• 當需要安裝第三方套件時：
  • 建議編輯或產生 requirements.txt / environment.yml。
• 若使用者希望把流程部分自動化（例如批次嘗試多組 hyperparameters）：
  • 可以協助撰寫簡單的 experiment runner（Python script 或 Makefile）。

安全與限制

• 不要嘗試解釋或推測任何病人的臨床狀態。
• 不要輸出與醫療診斷相關的結論。
• 所有建議都應明確標示是「為了比賽任務」而設計的技術方案。