|
|
--- |
|
|
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 |
|
|
) |
