File size: 2,246 Bytes
545e859 | 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 | """Модель детекции дефектов на основе EfficientNetV2-S из timm (transfer learning)."""
from __future__ import annotations
import torch
import torch.nn as nn
import timm
from . import config as C
class DefectClassifier(nn.Module):
"""Бинарный классификатор патч/деталь: defect vs clean.
Используем предобученный backbone из timm и свою классификационную голову
с дропаутом — это устойчиво на малых датасетах.
"""
def __init__(self, backbone: str = C.BACKBONE, num_classes: int = C.NUM_CLASSES,
pretrained: bool = True, drop_rate: float = 0.3):
super().__init__()
self.backbone = timm.create_model(
backbone,
pretrained=pretrained,
num_classes=0, # без головы — берём фичи
global_pool="avg",
)
feat_dim = self.backbone.num_features
self.head = nn.Sequential(
nn.Dropout(drop_rate),
nn.Linear(feat_dim, 256),
nn.GELU(),
nn.Dropout(drop_rate),
nn.Linear(256, num_classes),
)
def forward(self, x: torch.Tensor) -> torch.Tensor:
feats = self.backbone(x)
return self.head(feats)
@torch.no_grad()
def predict_proba(self, x: torch.Tensor) -> torch.Tensor:
return torch.softmax(self.forward(x), dim=1)
def gradcam_target_layer(self) -> nn.Module:
"""Слой для построения Grad-CAM (последний conv-блок backbone'а)."""
# У EfficientNet-семейства это последний блок перед глобальным пулингом
if hasattr(self.backbone, "conv_head"):
return self.backbone.conv_head
# Fallback: последний блок features
if hasattr(self.backbone, "blocks"):
return self.backbone.blocks[-1]
raise RuntimeError("Не нашёл подходящий слой для Grad-CAM")
def build_model(pretrained: bool = True) -> DefectClassifier:
return DefectClassifier(pretrained=pretrained)
|