Правила соревнования: классификация текстов по темам (текст + картинки)

1. Описание задачи

Дано: короткие тексты на двух языках (английский и русский), представленные в двух модальностях — обычный текст или картинка с этим текстом (JPEG в base64). Нужно классифицировать каждый пример в одну из 7 тематических категорий:

Ключевая сложность: половина примеров представлена только картинкой — текст из неё нужно распознать самостоятельно (OCR). Тексты не дублируются: если пример пришёл картинкой, его текста нет в колонке text ни на одном языке.

2. Структура репозитория

contest_for_teachers/
├── data/
│   ├── train.csv         # обучающая выборка, 1402 строки, с метками
│   ├── test.csv          # тестовая выборка, 408 строк, БЕЗ меток
│   ├── labels.txt        # список из 7 категорий (по одной на строке)
│   └── sample_submission.csv      # пример submission от бейзлайна
├── baseline.ipynb        # бейзлайн-решение (OCR → TF-IDF → LogisticRegression)

2. Формат данных

Каждая строка в CSV — один пример. Колонки:

Ровно одна из колонок text / image_b64 заполнена в каждой строке.

Декодирование картинки

python
import base64, io, pandas as pd
from PIL import Image

df = pd.read_csv("data/train.csv", keep_default_na=False)
row = df[df.modality == "image"].iloc[0]
img = Image.open(io.BytesIO(base64.b64decode(row["image_b64"])))

Важно: при чтении CSV используйте keep_default_na=False, иначе пустые строки в колонках text / image_b64 превратятся в NaN.

3. Формат посылки (submission)

Файл submission.csv должен содержать предсказания для всех строк из test.csv. Формат: