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:

https://github.com/Infarondus/Kleine-marchen

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:

https://github.com/Infarondus/Kleine-marchen

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%}")

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}
}

Infarondus/Klein-marchen_Base

Kleine-Marchen — Binding Detector (ConvNeXt-Tiny)

Назначение

Метрики

Данные

Архитектура

Использование

Быстрый старт

Место в пайплайне

Ограничения

Kleine-Marchen — Binding Srednik Detector (DINOv2 Ensemble)

Назначение

Метрики

Данные

Архитектура

Использование

Быстрый старт

Рекомендуемый порог

Ограничения

Цитирование

Infarondus/
Klein-marchen_Base