Upload src\model.py with huggingface_hub

src//model.py

@@ -0,0 +1,56 @@
+"""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)