diff --git a/release.md b/release.md
new file mode 100644
index 0000000..1e45ba4
--- /dev/null
+++ b/release.md
@@ -0,0 +1,404 @@
+## v1.0.0
+YOLO数字识别系统，使用YOLOv8模型识别图片中的4位阿拉伯数字。经过图片预处理优化，识别准确率显著提升。
+
+### 🎯 项目亮点
+
+- ✅ **高准确率**: 经过CLAHE对比度增强预处理后，识别准确率显著提升
+- ✅ **完整流程**: 从数据预处理到模型训练再到批量识别的完整pipeline
+- ✅ **易于使用**: 提供交互式脚本和一键运行工具
+- ✅ **可视化结果**: 自动生成带标注的可视化图片
+
+### 📁 项目结构
+
+```
+digit_cracker/
+├── digit-validation/          # COCO格式训练数据集
+│   ├── coco.json             # 标注文件
+│   └── images/               # 训练图片（文件名为4位数字）
+├── valid/                    # 待识别图片（文件名与内容无关）
+├── yolo_dataset/             # 转换后的YOLO格式数据集
+│   ├── dataset.yaml          # 数据集配置
+│   ├── images/
+│   │   ├── train/           # 训练集图片
+│   │   └── val/             # 验证集图片
+│   └── labels/
+│       ├── train/           # 训练集标注
+│       └── val/             # 验证集标注
+├── runs/                     # 训练输出
+│   └── digit_yolo/
+│       └── exp1/
+│           ├── weights/      # 模型权重
+│           │   ├── best.pt   # 最佳模型
+│           │   └── last.pt   # 最后一轮模型
+│           └── results.csv   # 训练指标
+├── results/                  # 预测结果
+│   ├── predictions.txt       # 识别结果文本
+│   └── visualizations/       # 可视化结果图片
+└── scripts/                  # Python脚本
+    ├── prepare_yolo_dataset.py  # 数据集准备
+    ├── train_yolo.py            # 模型训练
+    ├── predict_digits.py        # 数字识别
+    └── run_all.py               # 一键运行
+```
+
+### 🚀 快速开始
+
+### 方法1：使用交互式脚本（推荐）
+
+**最简单的方式**，适合日常使用：
+
+```bash
+./run.sh
+```
+
+会显示交互式菜单，提供5个常用功能：
+- **选项 1**：标准识别（conf=0.2, imgsz=320）
+- **选项 2**：低阈值识别（conf=0.15，适合模糊图片）
+- **选项 3**：高分辨率识别（imgsz=640，适合小数字）
+- **选项 4**：查看已有结果（模型、识别结果、可视化）
+- **选项 0**：退出
+
+**特点**：
+- ✅ 自动检测虚拟环境
+- ✅ 彩色输出和友好提示
+- ✅ 智能错误处理
+- ✅ 详细的使用说明
+
+### 方法2：命令行直接识别
+
+使用最佳模型进行识别：
+
+```bash
+python scripts/predict_digits_improved.py \
+    --model runs/digit_yolo/exp_preprocessed_color_150/weights/best.pt \
+    --source valid \
+    --conf 0.2 \
+    --output results/predictions.txt \
+    --save-vis
+```
+
+### 方法3：完整训练流程
+
+如需重新训练模型：
+
+```bash
+python scripts/run_all.py
+```
+
+这将自动执行：
+1. 从COCO格式转换为YOLO格式数据集
+2. 训练YOLOv8模型（100轮）
+3. 在valid文件夹上进行识别
+
+### 安装依赖
+
+```bash
+pip install ultralytics opencv-python
+```
+
+### 📖 详细使用指南
+
+### 分步执行
+
+#### 步骤1：准备数据集
+
+```bash
+python scripts/prepare_yolo_dataset.py \
+    --root digit-validation \
+    --out yolo_dataset \
+    --val-ratio 0.2 \
+    --seed 20240305
+```
+
+参数说明：
+- `--root`: COCO数据集根目录
+- `--out`: YOLO数据集输出目录
+- `--val-ratio`: 验证集比例（默认0.2）
+- `--seed`: 随机种子（用于可重复划分）
+
+#### 步骤2：训练模型
+
+```bash
+python scripts/train_yolo.py \
+    --data yolo_dataset/dataset.yaml \
+    --model yolov8n.pt \
+    --epochs 100 \
+    --batch 16 \
+    --imgsz 320 \
+    --project runs/digit_yolo \
+    --name exp1
+```
+
+参数说明：
+- `--data`: 数据集配置文件
+- `--model`: 预训练模型（yolov8n.pt为最小模型）
+- `--epochs`: 训练轮数
+- `--batch`: 批次大小
+- `--imgsz`: 输入图片大小
+- `--project`: 输出项目目录
+- `--name`: 实验名称
+
+训练完成后，最佳模型保存在：`runs/digit_yolo/exp1/weights/best.pt`
+
+#### 步骤3：识别数字（使用最佳模型）
+
+```bash
+python scripts/predict_digits_improved.py \
+    --model runs/digit_yolo/exp_preprocessed_color_150/weights/best.pt \
+    --source valid \
+    --conf 0.2 \
+    --output results/predictions.txt \
+    --save-vis
+```
+
+参数说明：
+- `--model`: 训练好的模型路径
+- `--source`: 待识别图片文件夹
+- `--conf`: 置信度阈值（默认0.25）
+- `--output`: 结果输出文件
+- `--save-vis`: 保存可视化结果
+
+### 📊 查看结果
+
+### 训练结果
+
+训练指标保存在 `runs/digit_yolo/exp1/results.csv`，包括：
+- mAP50, mAP50-95
+- Precision, Recall
+- 训练损失和验证损失
+
+可以使用以下命令查看训练曲线：
+
+```python
+from ultralytics import YOLO
+
+model = YOLO('runs/digit_yolo/exp1/weights/best.pt')
+model.val()  # 在验证集上评估
+```
+
+### 识别结果
+
+识别结果保存在 `results/predictions.txt`，格式：
+
+```
+文件名              识别结果    置信度    数字个数
+YZM.jpeg            0106        0.856     4
+YZM-2.jpeg          0367        0.892     4
+...
+```
+
+可视化结果保存在 `results/visualizations/`，每张图片会标注检测框和识别的数字。
+
+### 🔧 高级用法
+
+### 使用交互式脚本的不同选项
+
+```bash
+./run.sh
+# 根据图片质量选择：
+# - 标准图片：选项1（默认，速度快）
+# - 模糊/低对比度：选项2（降低阈值）
+# - 小数字/高精度：选项3（提高分辨率）
+```
+
+### 图片预处理（提升识别率）
+
+对于低质量图片，可以先进行预处理：
+
+```bash
+python scripts/preprocess_images.py \
+    --input valid \
+    --output valid-processed \
+    --method clahe \
+    --keep-color
+```
+
+然后对预处理后的图片进行识别。
+
+### 仅使用已训练模型进行识别
+
+如果已经有训练好的模型，可以跳过训练步骤：
+
+```bash
+python scripts/run_all.py --skip-train --skip-prepare
+```
+
+### 调整训练参数
+
+```bash
+# 使用更大的模型
+python scripts/train_yolo.py --model yolov8s.pt --epochs 200
+
+# 调整批次大小和图片大小
+python scripts/train_yolo.py --batch 32 --imgsz 640
+```
+
+### 批量预测自定义文件夹
+
+```bash
+python scripts/predict_digits.py \
+    --model runs/digit_yolo/exp1/weights/best.pt \
+    --source /path/to/your/images \
+    --conf 0.3 \
+    --save-vis
+```
+
+### 📈 模型性能
+
+### 数据集规模
+- **类别**: 10个（数字0-9）
+- **训练集**: 39张图片（每张包含4个数字，~156个标注框）
+- **验证集**: 10张图片（~40个标注框）
+- **测试集**: 15张valid图片
+
+### 性能对比
+
+| 模型 | 预处理方法 | 训练轮数 | mAP50 | valid准确率 | 说明 |
+|------|-----------|---------|-------|------------|------|
+| exp1 | 无 | 100 | 0.95+ | 20% (3/15) | 基础模型 |
+| exp_preprocessed_color_150 | CLAHE对比度增强 | 150 | 0.995 | **显著提升** | ✨ 推荐使用 |
+
+**最佳模型**: `runs/digit_yolo/exp_preprocessed_color_150/weights/best.pt`
+
+### 🐛 常见问题
+
+### Q1: 运行 `./run.sh` 提示权限错误
+
+A: 添加执行权限：
+```bash
+chmod +x run.sh
+```
+
+### Q2: 导入错误 `ModuleNotFoundError: No module named 'ultralytics'`
+
+A: 安装ultralytics库：
+```bash
+pip install ultralytics
+```
+
+建议使用虚拟环境：
+```bash
+python -m venv venv
+source venv/bin/activate  # macOS/Linux
+pip install ultralytics opencv-python
+```
+
+### Q3: 识别结果不是4位数字
+
+A: 可能的原因和解决方法：
+1. **置信度阈值太高** → 使用 `./run.sh` 选项2（低阈值识别）
+2. **图片质量差** → 先用 `preprocess_images.py` 进行CLAHE预处理
+3. **数字太小** → 使用 `./run.sh` 选项3（高分辨率识别）
+4. **光照不均** → 使用CLAHE预处理增强对比度
+
+推荐组合：预处理 + 低阈值识别
+
+### Q4: 训练速度慢
+
+A: 建议：
+1. 使用GPU加速（自动检测CUDA）
+2. 减小批次大小 `--batch 8`
+3. 使用更小的图片尺寸 `--imgsz 256`
+
+### Q5: 显存不足
+
+A: 降低批次大小：
+```bash
+python scripts/train_yolo.py --batch 8
+```
+
+### 💡 使用建议
+
+### 识别策略选择
+
+根据图片特点选择合适的识别方式：
+
+| 图片特点 | 推荐方法 | run.sh选项 | 命令行参数 |
+|---------|---------|-----------|-----------|
+| 标准清晰 | 标准识别 | 选项 1 | conf=0.2, imgsz=320 |
+| 模糊/暗淡 | 低阈值 | 选项 2 | conf=0.15, imgsz=320 |
+| 数字很小 | 高分辨率 | 选项 3 | conf=0.2, imgsz=640 |
+| 低对比度 | 预处理+标准 | 先预处理 | CLAHE增强 |
+| 严重模糊 | 预处理+低阈值 | 先预处理 | CLAHE + conf=0.15 |
+
+### 工作流程建议
+
+**日常识别**：
+```bash
+./run.sh  # 选择选项1，快速识别
+```
+
+**困难图片**：
+```bash
+# 步骤1：预处理
+python scripts/preprocess_images.py --input valid --output valid-processed --method clahe
+
+# 步骤2：识别预处理后的图片
+python scripts/predict_digits_improved.py --source valid-processed --conf 0.15
+```
+
+**查看结果**：
+```bash
+./run.sh  # 选择选项4，查看所有结果文件
+```
+
+### 📝 数据集格式
+
+### COCO格式（输入）
+
+```json
+{
+  "images": [
+    {
+      "id": 0,
+      "file_name": "0106.jpeg",
+      "width": 84,
+      "height": 35
+    }
+  ],
+  "annotations": [
+    {
+      "id": 0,
+      "image_id": 0,
+      "bbox": [12.1, 1.4, 19.1, 22.4],  // [x, y, width, height]
+      "property_info": "0"  // 数字类别
+    }
+  ]
+}
+```
+
+### YOLO格式（转换后）
+
+标注文件（.txt）格式，每行一个检测框：
+```
+0 0.264706 0.342857 0.227451 0.640000
+1 0.559524 0.628571 0.194048 0.625714
+0 0.845238 0.382857 0.224405 0.617143
+6 0.906548 0.645714 0.200119 0.645714
+```
+
+格式：`类别 x_center y_center width height`（所有值归一化到0-1）
+
+### 🎯 优化建议
+
+1. **增加训练数据**: 当前数据集较小，可以增加更多标注数据
+2. **数据增强**: 在训练时使用更多数据增强（旋转、缩放、亮度变化等）
+3. **模型选择**: 根据精度要求选择不同大小的模型（n/s/m/l/x）
+4. **超参数调优**: 调整学习率、优化器等参数
+5. **后处理优化**: 根据业务规则（必须4位数字）进行后处理
+
+### � 项目文档
+
+- **README.md**: 完整使用文档（本文件）
+- **QUICKSTART.md**: 5分钟快速上手指南
+- **FINAL_REPORT.md**: 项目完成报告和性能分析
+- **PROJECT_STRUCTURE.md**: 详细的项目结构说明
+- **CODE_CLEANUP_DONE.md**: 代码清理和优化记录
+
+### 👨‍💻 作者
+Gavin Chan
+
+### �📚 参考资料
+
+- [Ultralytics YOLOv8 文档](https://docs.ultralytics.com/)
+- [YOLO目标检测原理](https://arxiv.org/abs/2305.09972)