Dderedor/kupuri

Russian Banknote Dataset для классификации рублей

Russian Banknote Dataset создан в рамках проекта AssistEye — разработка мобильного классификатора банкнот Банка России, предназначенного для распознавания номиналов рублей в реальном времени без подключения к интернету.

Датасет использовался для обучения и оценки модели EfficientNetB0, которая затем была конвертирована в формат TFLite (INT8) для интеграции в приложение. Классификатор различает 9 номиналов, включая как старые, так и новые образцы купюр.

Краткое описание

Датасет содержит 949 изображение (886 тренировочных, 45 валидационных и 18 тестовых), распределённых по 9 классам. Фотографии получены как с камеры мобильного телефона в реальных условиях, так и из интернета в качестве эталонных снимков. Изображения очищены от дубликатов и приведены к структуре папок, совместимой с ImageDataGenerator в TensorFlow/Keras.

Классы

Индекс	Номинал (₽)	Описание
0	5	Банкнота образца 1997 г. (преимущественно старый дизайн)
1	10	Банкноты старого и нового (2017) образца
2	50	Банкноты старого и нового (2022) образца
3	100	Банкноты старого (2015) и нового (2022) образца
4	200	Банкнота нового образца (2017)
5	500	Банкноты старого (1997, 2010) и нового (2024) образца
6	1000	Банкноты старого (2010) и нового (2023) образца
7	2000	Банкнота нового образца (2017)
8	5000	Банкнота нового образца (2023)

Названия папок соответствуют строковым представлениям номиналов: 5, 10, 50, 100, 200, 500, 1000, 2000, 5000. Порядок классов в модели — алфавитный, как при использовании flow_from_directory.

Структура датасета

dataset_rub/
├── train/
│   ├── 5/          # часть из 886 изображений
│   ├── 10/
│   ├── 50/
│   ├── 100/
│   ├── 200/
│   ├── 500/
│   ├── 1000/
│   ├── 2000/
│   └── 5000/
├── val/
│   ├── 5/          # 45 изображений (по 5 на класс)
│   └── ...
└── test/
    ├── 5/          # 18 изображений (по 2 на класс)
    └── ...

Точное распределение по классам внутри train не фиксировано, но каждый номинал представлен десятками примеров, снятых в различных условиях (освещение, ракурс, фон).

Источники данных

• Собственная съёмка: фотографии реальных купюр, сделанные на смартфон при естественном и искусственном освещении, с разными фонами (стол, ладонь, ткань) и небольшими деформациями.
• Эталонные изображения из интернета: снимки высокого разрешения с чёткими деталями (микротекст, водяные знаки), используемые для усиления характерных признаков каждого номинала.

Обучение модели

• Архитектура: EfficientNetB0 (предобученная на ImageNet)
• Transfer Learning: двухэтапное обучение (заморозка основы, затем тонкая настройка с разморозкой верхних блоков)
• Аугментация: повороты, сдвиги, масштабирование, вертикальный флип, изменение яркости и цветового тона
• Оверсемплинг: динамическое выравнивание количества примеров до 500 на класс внутри обучающего генератора (не меняет файлы)
• Размер входа: 224×224 пикселей
• Оптимизатор: Adam
• Коллбэки: EarlyStopping (patience=5), ReduceLROnPlateau (patience=5), ModelCheckpoint

Результаты (валидация)

• Точность (accuracy): 95,0 %
• Средневзвешенная F1-мера: 0,95

Номинал (₽)	Precision	Recall	F1-score
5	0,83	1,00	0,91
10	0,93	0,93	0,93
50	1,00	0,87	0,93
100	1,00	0,93	0,97
200	1,00	1,00	1,00
500	0,88	0,93	0,90
1000	1,00	0,87	0,93
2000	0,94	1,00	0,97
5000	1,00	1,00	1,00

Использование

Датасет совместим с TensorFlow/Keras. Простейший способ загрузки:

import tensorflow as tf

train_ds = tf.keras.utils.image_dataset_from_directory(
    'dataset_rub/train',
    image_size=(224, 224),
    batch_size=32
)
val_ds = tf.keras.utils.image_dataset_from_directory(
    'dataset_rub/val',
    image_size=(224, 224),
    batch_size=32
)
Для воспроизведения обучения рекомендуется использовать ImageDataGenerator с функцией предобработки EfficientNet (tf.keras.applications.efficientnet.preprocess_input).