File size: 4,689 Bytes
60b0d1b 4cd723a 60b0d1b 4cd723a 60b0d1b 4cd723a 60b0d1b 4cd723a 9cfa8a6 60b0d1b 87c5b7e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 |
---
datasets:
- grechniknet
language:
- ru
license: mit
tags:
- computer-vision
- object-detection
- agriculture
- food-quality
- buckwheat
pretty_name: GrechnikNet — Buckwheat Impurity Detection
---
# 🌾 GrechnikNet: Buckwheat Impurity Detection Dataset
## 📖 Описание
GrechnikNet — это специализированный датасет для задачи **обнаружения примесей в гречневой крупе**.
Он создан для обучения и тестирования моделей компьютерного зрения (YOLOv8 и других).
## 📊 Состав
- 📷 Изображения: фотографии гречневой крупы, снятые на смартфон.
- 🏷 Аннотации: bounding boxes в формате YOLO.
- 🔎 Классы:
- `impurity` — посторонние включения (камешки, шелуха, мусор и т.п.)
## 🎯 Цель
- Автоматизация контроля качества гречки.
- Обнаружение и локализация примесей в реальном времени.
- Использование в мобильных и веб‑приложениях.
## ⚙️ Формат
- Аннотации: YOLO TXT.
- Изображения: PNG, разрешение ~720p.
- Разделение: `train/val/test`.
## 📈 Метрики
- Основные метрики: precision, recall, mAP@0.5, mAP@0.5:0.95.
- Базовая модель: YOLOv8n (из библиотеки ultralytics), дообученная на датасете (заморозка 10 глубоких модулей нейросети).
## 🔧 Использование
```python
from ultralytics import YOLO
model = YOLO("yolov8n.pt")
# Быстрое обучение с упором на recall.
results = model.train(
data=data_yaml_path, # путь к вашему dataset.yaml
epochs=50, # меньше эпох
patience=10, # ранняя остановка после 10 эпох без улучшений
batch=16, # размер батча
imgsz=640,
# 416, # меньший размер изображения для скорости
lr0=0.01, # больший learning rate
lrf=0.01, # финальный LR = 0.01 * lr0
momentum=0.9, # стандартный momentum
weight_decay=0.0005, # регуляризация
warmup_epochs=2, # прогрев
warmup_momentum=0.8, # momentum во время прогрева
box=0.05, # вес для bbox loss
cls=0.3, # вес для classification loss
dfl=0.5, # вес для distribution focal loss
hsv_h=0.015, # аугментация: оттенок
freeze = 10, # заморозка градиентов первых 10 модулей (не свёрток) начиная с истока ~ transfer learning
hsv_s=0.7, # аугментация: насыщенность
hsv_v=0.4, # аугментация: яркость
degrees=10.0, # аугментация: повороты
translate=0.1, # аугментация: смещения
scale=0.5, # аугментация: масштабирование
shear=2.0, # аугментация: наклон
perspective=0.001, # аугментация: перспектива
flipud=0.0, # аугментация: отражение по вертикали
fliplr=0.5, # аугментация: отражение по горизонтали
mosaic=0.0, # ВЫКЛЮЧАЕМ мозаику для скорости
mixup=0.0, # ВЫКЛЮЧАЕМ mixup для скорости
copy_paste=0.0, # ВЫКЛЮЧАЕМ copy-paste для скорости
erasing=0.0, # ВЫКЛЮЧАЕМ random erasing для скорости
save=True,
save_period=5,
cache=False, # ВЫКЛЮЧАЕМ кэширование для экономии памяти
workers=2, # меньше воркеров для стабильности
device=0 if torch.cuda.is_available() else 'cpu', # GPU если есть
optimizer='SGD', # SGD быстрее сходится при замороженных слоях
seed=42,
deterministic=True,
val=True,
plots=True, # строим графики
verbose=True
) |