NurzatS/Product_Image_Classification

Product Image Classification Dataset

Датасет изображений товаров, собранный с крупных узбекских маркетплейсов (asaxiy.uz, texnomart.uz, olcha.uz) для задачи автоматической классификации e-commerce продукции.

Описание датасета

Данный набор данных содержит фотографии товаров, разбитых по 5 основным категориям электроники. Данные прошли автоматическую очистку от поврежденных файлов и дедупликацию по MD5-хешу.

Категории (Classes):

1. headphones — Наушники
2. laptop — Ноутбуки
3. smartphone — Смартфоны
4. tv — Телевизоры
5. watch — Смарт-часы и браслеты

Структура данных

Датасет автоматически очищен от битых файлов и дедуплицирован по MD5-хешам. Данные распределены по выборкам в пропорции 70% / 15% / 15%:

dataset_prepared/
├── train/              # Обучающая выборка (70%)
│   ├── headphones/     # Изображения наушников
│   ├── laptop/         # Изображения ноутбуков
│   ├── smartphone/     # Изображения смартфонов
│   ├── tv/             # Изображения телевизоров
│   └── watch/          # Изображения часов
├── val/                # Валидационная выборка (15%)
│   └── [тех же 5 категорий]
└── test/               # Тестовая выборка (15%)
    └── [тех же 5 категорий]

## Источники и сбор данных

Данные были собраны с помощью автоматизированного парсинга на базе **Selenium**:
* [Asaxiy.uz](https://asaxiy.uz)
* [Texnomart.uz](https://texnomart.uz)
* [Olcha.uz](https://olcha.uz)

При сборе таргетировалось целевое количество порядка **220 изображений на категорию** с запасом на отсев дубликатов и брака.

## Использование в Python

### Загрузка через библиотеку `datasets` (если данные структурированы стандартом ImageFolder):

```python
from datasets import load_dataset

# Загрузка датасета с Hugging Face
dataset = load_dataset("NurzatS/Product_Image_Classification") # Замените название на ваше

# Просмотр структуры
print(dataset)

# Доступ к первому элементу
example = dataset["train"][0]
image = example["image"]
label = example["label"]