# 在人工归类好的数据集上训练缺陷分类模型。
#
# 数据来自 scripts/export_clusters.py：自监督聚类 + 人工整理后的 15 个类别。
#
# 用法：
#   uv run python classify.py --config configs/classify/film.yaml
#   uv run python classify.py --config configs/classify/film.yaml --eval-only \
#       --checkpoint runs/classify/best.pth

work_dir: runs/classify
seed: 42
device: auto

data:
  root: data/orgnized_from_r101_k40
  val_ratio: 0.2
  exclude: []           # 需要剔除某些类别时写在这里，如 [unknown, others]
  classes: null         # null = 按目录名排序自动确定；训练与评估必须一致

  # 预处理沿用聚类阶段的结论：
  #   - 拉伸到 128x128 而不是 letterbox——尺寸与宽高比是 ROI 裁剪的产物，不是缺陷属性；
  #   - 逐图标准化抹掉整体亮度/对比度。这里尤其重要：15 个类别里有几类几乎只来自
  #     单一原始数据集（ripple 几乎全是 pearlescent、grease 与 zigzag 全是 film），
  #     不抹掉亮度的话模型可能靠"认出这是哪个数据集"就把类别猜对，看着准确率很高，
  #     换个批次的数据就崩。
  image_size: [128, 128]
  train_transforms:
    - {name: Resize, size: [128, 128]}
    - {name: RandomHorizontalFlip, p: 0.5}
    - {name: RandomVerticalFlip, p: 0.5}
    - {name: ToTensor}
    - {name: PerImageStandardize}
  val_transforms:
    - {name: Resize, size: [128, 128]}
    - {name: ToTensor}
    - {name: PerImageStandardize}

  loader:
    batch_size: 128
    num_workers: 8

model:
  name: classifier
  backbone:
    name: torchvision
    arch: resnet18
    pretrained: true
    in_channels: 3
  classification:
    dropout: 0.2
  # 用自监督预训练的骨架初始化——那正是前面聚类阶段的产物。
  # 例：runs/simclr_r101/simclr_backbone.pth（注意 backbone 配置要与自监督时一致）
  init_from: null
  frozen_backbone: false      # true = 冻结骨架只训分类头（线性探针）

train:
  epochs: 60
  amp: auto
  clip_grad: 5.0
  log_interval: 20

  # 主指标用 macro-F1 而不是准确率：数据从 normal 2679 张到 others 65 张差 41 倍，
  # 全预测成 normal 也有 24% 准确率，但 macro-F1 会很低。
  monitor: macro_f1

  # 按类别频率加权，避免小类被淹没；不需要时设 none。
  class_weight: balanced
  label_smoothing: 0.05

  optimizer: {name: adamw, lr: 0.0003, weight_decay: 0.0001}
  scheduler: {name: cosine}

  swanlab:
    enabled: true
    project: film-classify
    name: null
    mode: local
    tags: [classify, resnet18]