| --- |
| 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 |
| ) |
