# Sınıflandırıcı eğitim parametreleri
# METHODOLOGY.md ana model: ConvNeXt-Small
# Desteklenen modeller:
#   convnext_tiny, convnext_small, convnext_base
#   dinov3_vits14, dinov3_vitb14, dinov3_vitl14
#   resnet50 (baseline — Verwimp et al. 2025: Top-1 87.1%)
#   efficientnet_b3, tf_efficientnetv2_s, tf_efficientnetv2_m
#   swin_tiny_patch4_window7_224
model_name: convnext_small
epochs: 100
batch: 64                  # GPU başına batch size
lr: 0.0005                 # Base LR (DDP'de world_size ile ölçeklenir)
img_size: 224              # ResNet50 standardı (128'den yükseltildi)
patience: 25
device: 0
workers: 10                # GPU başına max worker
name: hitit_cls_v1

# Loss
loss: focal                # focal, ldam, cross_entropy
label_smoothing: 0.1
focal_gamma: 2.0
focal_alpha: 1.0     # Çok sınıflı focal için 1.0 (binary'deki 0.25 değil); dengeleme class_weights üzerinden yapılıyor

# Augmentation
mixup: true
mixup_alpha: 0.2
tailmix: true              # TailMix: nadir sınıflar için (Li et al. 2023)
tailmix_threshold: 50      # Bu sayıdan az örneği olan sınıflar "tail"

# Scheduler
scheduler: cosine_warm_restarts
T_0: 20
T_mult: 2
eta_min: 0.000001

# Sınıf dengesizliği
use_weighted_sampler: true
class_weight_method: effective_num   # sqrt → effective_num (daha iyi long-tail)

# EfficientNet-specific settings
efficientnet:
  drop_rate: 0.3
  drop_path_rate: 0.2