Upload README.md with huggingface_hub

README.md

@@ -13,6 +13,12 @@ balcony, wall, opening`.
 
 Train/valid split: 80/20, seed=42, одинаковый для всех моделей.
 
+**Этот файл** — журнал экспериментов по обучению моделей, методологии
+оценки и confidence-threshold. Эксперименты с **пост-процессингом
+room/living/bedroom** (заливка по границам, squareness-фильтр, mask-NMS
+для RF-DETR — числа и коллажи) вынесены отдельно:
+[`docs/room_postprocessing_experiments.md`](../docs/room_postprocessing_experiments.md).
+
 ## RF-DETR-Seg (Medium)
 
 `rfdetr_seg/checkpoint_best_ema.pth`
@@ -210,6 +216,54 @@ RF-DETR-Seg — но на фиксированном пороге 0.1 её F1 п
   открытый вопрос, помогут ли аугментации коллеги в целом, или домен
   аугментаций слишком расходится с реальными UGC-дефектами.
 
+## Confidence-threshold sweep (2026-08-02): проверка, оптимален ли порог 0.1
+
+Единый порог 0.1 выбран для честного кросс-модельного сравнения (см. выше),
+но сам по себе он не обязательно F1-оптимален для каждой модели отдельно.
+Прогнан sweep с шагом 0.05 (mask-NMS iou=0.5 применялся на каждом шаге,
+как в финальном пайплайне) для YOLO-seg и RF-DETR-Seg — двух моделей с
+самой разной калибровкой confidence (см. наблюдение выше про 3104/3387
+детекций RF-DETR со score<0.3 против 56/366 у YOLO).
+
+| thresh | YOLO mIoU | YOLO F1(macro) | YOLO room F1 | RF-DETR mIoU | RF-DETR F1(macro) | RF-DETR room F1 |
+|---|---:|---:|---:|---:|---:|---:|
+| 0.05 | 0.300 | 0.524 | 0.551 | 0.213 | 0.385 | 0.675 |
+| 0.10 | 0.300 | 0.524 | 0.551 | 0.213 | 0.385 | 0.675 |
+| 0.15 | 0.300 | 0.524 | 0.551 | 0.262 | 0.455 | **0.746** |
+| **0.20** | 0.300 | 0.524 | 0.551 | 0.264 | **0.468** | 0.672 |
+| 0.25 | 0.300 | 0.524 | 0.551 | 0.249 | 0.455 | 0.418 |
+| 0.30 | 0.277 | 0.493 | 0.527 | 0.244 | 0.447 | 0.291 |
+| 0.35 | 0.234 | 0.432 | 0.474 | 0.157 | 0.308 | 0.103 |
+| 0.40 | 0.223 | 0.414 | 0.389 | 0.134 | 0.332 | 0.000 |
+| 0.50 | 0.176 | 0.339 | 0.310 | 0.093 | 0.243 | 0.000 |
+
+(полные данные с шагом 0.05 от 0.05 до 0.95 — см. историю разговора/логи;
+выше — определяющие точки, дальше обе модели монотонно теряют recall и
+F1 падает до нуля к порогу ~0.85-0.90, где не остаётся ни одного
+предсказания)
+
+**Выводы:**
+- **YOLO-seg** — на 0.05-0.25 метрики идентичны (0.524/0.551), т.е. в этом
+  диапазоне у модели просто нет "шумных" детекций с низким score, которые
+  портили бы точность — она изначально хорошо откалибрована. Внутреннего
+  оптимума нет, порог **0.1 уже оптимален** (совпадает с любой точкой
+  плато), можно было выбрать даже 0.25 без потерь.
+- **RF-DETR-Seg** — здесь порог **реально важен**, и оптимум различается
+  по критерию: **macro F1 максимален на 0.20** (0.468, против 0.385 на
+  0.1 — прирост +0.083), но **room F1 максимален на 0.15** (0.746, против
+  0.675 на 0.1 и 0.672 на 0.20). На 0.20 recall room резко падает
+  (0.525 против 0.736 на 0.05-0.10), т.к. отсекается много верных, но
+  неуверенных living/bedroom-детекций — trade-off между общей точностью
+  по всем классам и recall именно по приоритетному room.
+- Единый порог 0.1 (взят ради честности кросс-модельного сравнения) —
+  осознанный компромисс: для RF-DETR он НЕ F1-оптимален (theoretically
+  можно было бы выиграть +0.08 macro F1 или +0.07 room F1 индивидуальной
+  калибровкой), но подбор порога "под каждую модель отдельно" сделал бы
+  сравнение моделей друг с другом нечестным (у каждой был бы свой лучший
+  случай). Для итоговой сводной таблицы моделей везде используется 0.1;
+  калибровка per-model — открытая возможность для продакшена, а не для
+  сравнительного исследования.
+
 ## SAM fine-tuned — дообучение НЕ помогло (важный отрицательный результат)
 
 `sam_finetuned/checkpoints/final.pt` (mask_decoder, эпоха 19/20 — эпоха 20 не