---
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
)