Datasets:
Tasks:
Image Classification
Modalities:
Image
Formats:
imagefolder
Languages:
Russian
Size:
< 1K
License:
| license: mit | |
| task_categories: | |
| - image-classification | |
| language: | |
| - ru | |
| tags: | |
| - banknotes | |
| - rubles | |
| - currency-recognition | |
| - mobile-classification | |
| - efficientnet | |
| pretty_name: Russian Banknote Dataset (RUB) | |
| size_categories: | |
| - 100<n<1K | |
| # Russian Banknote Dataset для классификации рублей | |
| **Russian Banknote Dataset** создан в рамках проекта [AssistEye](https://github.com/H1merka/assist-eye) — разработка мобильного классификатора банкнот Банка России, предназначенного для распознавания номиналов рублей в реальном времени без подключения к интернету. | |
| Датасет использовался для обучения и оценки модели EfficientNetB0, которая затем была конвертирована в формат TFLite (INT8) для интеграции в приложение. Классификатор различает 9 номиналов, включая как старые, так и новые образцы купюр. | |
| ## Краткое описание | |
| Датасет содержит **949 изображение** (886 тренировочных, 45 валидационных и 18 тестовых), распределённых по 9 классам. Фотографии получены как с камеры мобильного телефона в реальных условиях, так и из интернета в качестве эталонных снимков. Изображения очищены от дубликатов и приведены к структуре папок, совместимой с `ImageDataGenerator` в TensorFlow/Keras. | |
| ## Классы | |
| | Индекс | Номинал (₽) | Описание | | |
| |--------|-------------|----------| | |
| | 0 | 5 | Банкнота образца 1997 г. (преимущественно старый дизайн) | | |
| | 1 | 10 | Банкноты старого и нового (2017) образца | | |
| | 2 | 50 | Банкноты старого и нового (2022) образца | | |
| | 3 | 100 | Банкноты старого (2015) и нового (2022) образца | | |
| | 4 | 200 | Банкнота нового образца (2017) | | |
| | 5 | 500 | Банкноты старого (1997, 2010) и нового (2024) образца | | |
| | 6 | 1000 | Банкноты старого (2010) и нового (2023) образца | | |
| | 7 | 2000 | Банкнота нового образца (2017) | | |
| | 8 | 5000 | Банкнота нового образца (2023) | | |
| Названия папок соответствуют строковым представлениям номиналов: `5, 10, 50, 100, 200, 500, 1000, 2000, 5000`. Порядок классов в модели — алфавитный, как при использовании `flow_from_directory`. | |
| ## Структура датасета | |
| ``` | |
| dataset_rub/ | |
| ├── train/ | |
| │ ├── 5/ # часть из 886 изображений | |
| │ ├── 10/ | |
| │ ├── 50/ | |
| │ ├── 100/ | |
| │ ├── 200/ | |
| │ ├── 500/ | |
| │ ├── 1000/ | |
| │ ├── 2000/ | |
| │ └── 5000/ | |
| ├── val/ | |
| │ ├── 5/ # 45 изображений (по 5 на класс) | |
| │ └── ... | |
| └── test/ | |
| ├── 5/ # 18 изображений (по 2 на класс) | |
| └── ... | |
| ``` | |
| Точное распределение по классам внутри train не фиксировано, но каждый номинал представлен десятками примеров, снятых в различных условиях (освещение, ракурс, фон). | |
| ## Источники данных | |
| - **Собственная съёмка:** фотографии реальных купюр, сделанные на смартфон при естественном и искусственном освещении, с разными фонами (стол, ладонь, ткань) и небольшими деформациями. | |
| - **Эталонные изображения из интернета:** снимки высокого разрешения с чёткими деталями (микротекст, водяные знаки), используемые для усиления характерных признаков каждого номинала. | |
| ## Обучение модели | |
| - **Архитектура:** EfficientNetB0 (предобученная на ImageNet) | |
| - **Transfer Learning:** двухэтапное обучение (заморозка основы, затем тонкая настройка с разморозкой верхних блоков) | |
| - **Аугментация:** повороты, сдвиги, масштабирование, вертикальный флип, изменение яркости и цветового тона | |
| - **Оверсемплинг:** динамическое выравнивание количества примеров до 500 на класс внутри обучающего генератора (не меняет файлы) | |
| - **Размер входа:** 224×224 пикселей | |
| - **Оптимизатор:** Adam | |
| - **Коллбэки:** EarlyStopping (patience=5), ReduceLROnPlateau (patience=5), ModelCheckpoint | |
| ## Результаты (валидация) | |
| - **Точность (accuracy):** 95,0 % | |
| - **Средневзвешенная F1-мера:** 0,95 | |
| | Номинал (₽) | Precision | Recall | F1-score | | |
| |-------------|-----------|--------|----------| | |
| | 5 | 0,83 | 1,00 | 0,91 | | |
| | 10 | 0,93 | 0,93 | 0,93 | | |
| | 50 | 1,00 | 0,87 | 0,93 | | |
| | 100 | 1,00 | 0,93 | 0,97 | | |
| | 200 | 1,00 | 1,00 | 1,00 | | |
| | 500 | 0,88 | 0,93 | 0,90 | | |
| | 1000 | 1,00 | 0,87 | 0,93 | | |
| | 2000 | 0,94 | 1,00 | 0,97 | | |
| | 5000 | 1,00 | 1,00 | 1,00 | | |
| ## Использование | |
| Датасет совместим с TensorFlow/Keras. Простейший способ загрузки: | |
| ```python | |
| import tensorflow as tf | |
| train_ds = tf.keras.utils.image_dataset_from_directory( | |
| 'dataset_rub/train', | |
| image_size=(224, 224), | |
| batch_size=32 | |
| ) | |
| val_ds = tf.keras.utils.image_dataset_from_directory( | |
| 'dataset_rub/val', | |
| image_size=(224, 224), | |
| batch_size=32 | |
| ) | |
| Для воспроизведения обучения рекомендуется использовать ImageDataGenerator с функцией предобработки EfficientNet (tf.keras.applications.efficientnet.preprocess_input). | |