---
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).