Upload MODEL_CARD.md with huggingface_hub

MODEL_CARD.md

@@ -0,0 +1,68 @@
+# RadioUNet 声学路径损耗预测模型
+
+## 模型描述
+
+RadioUNet是一个基于U-Net架构的深度学习模型，用于快速准确地预测声学传播路径损耗。该模型可以在包含建筑物的真实传播环境中，从点声源到2D平面上所有点的路径损耗进行估计。
+
+**应用场景**: 变电站噪声环境监测、声场实时计算
+
+## 模型架构
+
+- **基础架构**: U-Net卷积神经网络
+- **输入**: 
+  - 建筑物/屏障布局图 (256×256)
+  - 声源位置图 (256×256)
+- **输出**: 路径损耗热力图 (256×256)
+- **参数量**: ~134MB
+
+## 训练数据
+
+- **场景尺寸**: 512m × 512m
+- **分辨率**: 2m/pixel
+- **训练方法**: 基于RadioMapSeer数据集改编，针对声学场景优化
+
+## 性能指标
+
+- **推理速度**: 比传统物理模拟快10-100倍
+- **准确性**: 与物理仿真结果高度一致
+- **GPU支持**: 支持CUDA加速，也可CPU运行
+
+## 使用方法
+
+```python
+import torch
+from lib.RadioUNet import RadioWNet
+
+# 加载模型
+model = RadioWNet(inputs=2, phase="firstU")
+model.load_state_dict(torch.load('best_model.pth'))
+model.eval()
+
+# 推理
+with torch.no_grad():
+    # input_tensor: [batch, 2, 256, 256]
+    # output: [batch, 1, 256, 256] 路径损耗热力图
+    output = model(input_tensor)
+```
+
+## 限制
+
+- **2D限制**: 当前模型仅支持2D平面计算，忽略高度信息
+- **固定尺寸**: 输入必须是512m×512m场景，映射到256×256像素
+- **屏障敏感性**: 对屏障高度变化的敏感性有限
+
+## 引用
+
+基于论文: [RadioUNet: Fast Radio Map Estimation with Convolutional Neural Networks](https://arxiv.org/pdf/1911.09002.pdf)
+
+## 许可证
+
+MIT License
+
+## 作者
+
+董季坤 (dongjoaquin)
+
+## 更新日期
+
+2026-03-12