--- language: - ru - en license: apache-2.0 library_name: timm tags: - image-classification - manuscript - bookbinding - cultural-heritage - digital-humanities - convnext - dinov2 - fine-tuned pipeline_tag: image-classification --- # Kleine-Marchen — Binding Detector (ConvNeXt-Tiny) Модель на базе **ConvNeXt-Tiny (ImageNet-22k)** для определения, является ли изображение фотографией переплёта рукописи. Используется как **первая ступень** в двухэтапном пайплайне классификации переплётов рукописей РГБ. --- ## Назначение Бинарная классификация: - **Класс 1 — переплёт**: изображение является фотографией крышки переплёта рукописи - **Класс 0 — не переплёт**: страница текста, разворот, предметная съёмка и т.д. Модель решает задачу фильтрации при массовом скачивании изображений из цифровых архивов рукописей, где первые страницы оцифровки содержат как переплёты, так и текстовые страницы. --- ## Метрики Оценка проводилась на тестовом датасете из 1661 изображения (1136 переплётов + 525 не-переплётов) с применением TTA (5 трансформаций). | Метрика | Значение | | --- | --- | | Accuracy | **92.53%** | | F1-macro | **0.9139** | | Precision | 0.9127 | | Recall | 0.9152 | **Confusion Matrix:** | | Предсказано: не-переплёт | Предсказано: переплёт | | --- | --- | --- | | **Реально: не-переплёт** | 466 | 59 | | **Реально: переплёт** | 65 | 1071 | **Метрики на уверенных предсказаниях (confidence ≥ 0.6):** | Метрика | Значение | | --- | --- | | Доля уверенных предсказаний | 60.7% (1009 из 1661) | | Accuracy | **97.13%** | | F1-macro | **0.9689** | Использование порога уверенности позволяет автоматически делегировать сомнительные случаи на ручную проверку, при этом на уверенно классифицированных изображениях модель достигает точности выше 97%. --- ## Данные - **Источник**: фотографии из цифровых фондов РГБ - **Размер обучающей выборки**: ~525 изображений на каждый класс (75/25 hold-out validation) - **Классы**: переплёт / не переплёт (страницы текста, развороты, обложки-папки) - **Разрешение при обучении**: 320×320 px --- ## Архитектура **Базовая модель**: `convnext_tiny.fb_in22k` (ImageNet-22k pretrain, 28M параметров) **Стратегия обучения**: fine-tuning только классификационной головы при замороженном бэкбоне. Полная разморозка слоёв приводила к коллапсу обучения из-за ограниченного размера датасета. **Параметры обучения**: - Оптимизатор: AdamW (lr=3e-5, weight_decay=1e-4) - Scheduler: CosineAnnealingLR - Loss: CrossEntropyLoss - Batch size: 16 - Mixed precision training (AMP) **Аугментации** (Albumentations): RandomResizedCrop, HorizontalFlip, RandomRotate90, ShiftScaleRotate, ColorJitter, GridDistortion, GaussianBlur, ToGray. --- ## Использование Готовые скрипты доступны в репозитории: **** ### Быстрый старт ```python import torch import timm import numpy as np from PIL import Image import albumentations as A from albumentations.pytorch import ToTensorV2 IMAGE_SIZE = 320 transform = A.Compose([ A.LongestMaxSize(max_size=IMAGE_SIZE), A.PadIfNeeded(min_height=IMAGE_SIZE, min_width=IMAGE_SIZE, border_mode=0, value=[255, 255, 255]), A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ToTensorV2(), ]) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = timm.create_model('convnext_tiny_in22k', pretrained=False, num_classes=2) ckpt = torch.load('kleine-marchen_preprocess.pth', map_location=device, weights_only=False) model.load_state_dict(ckpt['model_state_dict']) model.to(device).eval() img = np.array(Image.open('page.jpg').convert('RGB')) tensor = transform(image=img)['image'].unsqueeze(0).to(device) with torch.no_grad(): probs = torch.softmax(model(tensor), dim=1)[0] print(f"Не переплёт: {probs[0]:.1%} | Переплёт: {probs[1]:.1%}") ``` --- ## Место в пайплайне Эта модель используется совместно с `binding-srednik-dinov2`: Изображение → [ConvNeXt: переплёт?] → [DINOv2: есть средник?] → Результат Скрипт двухступенчатого скрапера `scrape_bindings_v2.py` из репозитория **Kleine-Marchen** реализует этот пайплайн полностью. --- ## Ограничения - Не предназначена для определения типа переплёта или его элементов — только факт наличия переплёта на снимке - При сильно нестандартных условиях съёмки (белый фон, крупный план фрагмента) точность может снижаться - Около 39% входных изображений модель помечает как «сомнительные» (confidence < 0.6) — эти случаи рекомендуется проверять вручную или пропускать (так как большая часть пограничных случаев не является переплётом) --- # Kleine-Marchen — Binding Srednik Detector (DINOv2 Ensemble) Ансамбль из 5 моделей на базе **DINOv2 ViT-Small** для классификации переплётов рукописей по наличию **средника** — центрального декоративного элемента крышки переплёта. Модель разработана в рамках исследования рукописного фонда Российской государственной библиотеки (РГБ). --- ## Назначение Модель решает задачу бинарной классификации изображений переплётов: - **Класс 1 — со средником**: на крышке переплёта присутствует средник - **Класс 0 — без средника**: средник отсутствует Модель предназначена для автоматической предварительной сортировки больших коллекций фотографий переплётов рукописей. Окончательная верификация результатов производится специалистом. --- ## Метрики Оценка проводилась на полном датасете из 1136 изображений (568 со средником + 568 без средника) с применением ансамбля 5 моделей и TTA (5 трансформаций) — итого 25 предсказаний на изображение. | Метрика | Значение | | --- | --- | | Accuracy | **93.66%** | | F1-macro | **0.9366** | | Precision | 0.9368 | | Recall | 0.9366 | **Confusion Matrix:** | | Предсказано: без средника | Предсказано: со средником | | --- | --- | --- | | **Реально: без средника** | 537 | 31 | | **Реально: со средником** | 41 | 527 | **Анализ ошибок:** - Всего ошибочных предсказаний: 72 - False positive (без средника принят за со средником): 31 - False negative (со средником принят за без средника): 41 - Сомнительных предсказаний (confidence < 0.7): 123 (10.8% датасета) Симметричное распределение ошибок указывает на отсутствие смещения модели в сторону одного из классов. --- ## Данные - **Источник**: фотографии переплётов рукописей из цифровых фондов РГБ - **Размер обучающей выборки**: 568 изображений на каждый класс (1136 итого) - **Формат**: цветные фотографии переплётов - **Разрешение при обучении**: 280×280 px Датасет собирался итеративно: после каждого цикла обучения производился анализ ошибок и доразметка сложных случаев (изношенные переплёты, пограничные экземпляры). --- ## Архитектура **Базовая модель**: `vit_small_patch14_dinov2.lvd142m` (DINOv2 ViT-Small, 22M параметров, предобучен self-supervised на LVD-142M — 142 миллиона курированных изображений) **Голова классификатора**: LayerNorm(384) → Linear(384→256) → GELU → Dropout(0.3) → Linear(256→2) **Стратегия обучения**: двухфазный fine-tuning - Фаза 1 (6 эпох): обучение только головы, LR = 5e-4 - Фаза 2 (20 эпох): голова + последние 4 блока ViT, дифференциальный LR (голова: 3e-5, бэкбон: 2e-6) **Регуляризация**: drop_path_rate = 0.1, dropout = 0.3, label smoothing = 0.05 **Ансамбль**: 5 моделей (по одной на каждый фолд 5-fold стратифицированной кросс-валидации) с усреднением softmax-вероятностей. **TTA**: 5 трансформаций (оригинал, horizontal flip, vertical flip, resize ×1.05 + center crop, brightness/contrast jitter). --- ## Использование Готовые скрипты для обучения, оценки и инференса доступны в репозитории: **** ### Быстрый старт ```python import torch import torch.nn as nn import torch.nn.functional as F import timm import numpy as np from PIL import Image import albumentations as A from albumentations.pytorch import ToTensorV2 MODEL_NAME = 'vit_small_patch14_dinov2.lvd142m' IMAGE_SIZE = 280 DINO_MEAN = [0.485, 0.456, 0.406] DINO_STD = [0.229, 0.224, 0.225] def build_model(): backbone = timm.create_model( MODEL_NAME, pretrained=False, num_classes=0, img_size=IMAGE_SIZE, dynamic_img_size=True, ) head = nn.Sequential( nn.LayerNorm(backbone.embed_dim), nn.Linear(backbone.embed_dim, 256), nn.GELU(), nn.Dropout(0.3), nn.Linear(256, 2), ) class DinoClassifier(nn.Module): def __init__(self, b, h): super().__init__() self.backbone, self.head = b, h def forward(self, x): return self.head(self.backbone(x)) return DinoClassifier(backbone, head) transform = A.Compose([ A.LongestMaxSize(max_size=IMAGE_SIZE), A.PadIfNeeded(min_height=IMAGE_SIZE, min_width=IMAGE_SIZE, border_mode=0, value=[255, 255, 255]), A.Normalize(mean=DINO_MEAN, std=DINO_STD), ToTensorV2(), ]) # Загрузка модели device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = build_model().to(device) ckpt = torch.load('fold_1_km.pth', map_location=device, weights_only=False) model.load_state_dict(ckpt['model_state_dict']) model.eval() # Инференс img = np.array(Image.open('binding.jpg').convert('RGB')) tensor = transform(image=img)['image'].unsqueeze(0).to(device) with torch.no_grad(): probs = F.softmax(model(tensor), dim=1)[0] print(f"Без средника: {probs[0]:.1%} | Со средником: {probs[1]:.1%}") ``` ### Рекомендуемый порог При использовании ансамбля рекомендуется порог **0.70–0.75** для отнесения изображения к одному из классов; при меньшей уверенности изображение целесообразно отправлять на ручную проверку специалистом. На уверенных предсказаниях точность ансамбля заметно превышает интегральную. --- ## Ограничения - Модель обучена на фотографиях переплётов РГБ и может хуже работать на изображениях из других коллекций (domain shift) - Сильно изношенные переплёты с плохо читаемым средником являются наиболее сложными случаями - Не предназначена для работы с изображениями страниц, не являющихся переплётами — для фильтрации используйте модель `klein-marchen_preprocess` на первом этапе - В обучающей выборке возможно присутствие небольшого количества ошибочно размеченных изображений (~2%), что отражается в нижней границе оценки точности --- ## Цитирование Если вы используете эту модель в исследовании, пожалуйста, укажите репозиторий: ```bibtex @misc{kleine-marchen-binding, author = {Infarondus}, title = {Kleine-Marchen — Binding Classification Pipeline for Manuscript Bindings}, year = {2026}, url = {https://github.com/Infarondus/Kleine-marchen} } ```