Add GTA-UAV-LR annotation script + dataset documentation

- Add scripts/run_gta_uav.py for GTA-UAV-LR (48K images, GTA V synthetic)
- 14 segmentation classes: 11 base + bare soil, rooftop, swimming pool
- Fix source filter to recognize "satellite" folder (alongside "DB")
- Document GTA-UAV characteristics in segmentation_class_analysis.md
- Update README and CLAUDE.md with GTA-UAV support

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

CLAUDE.md

@@ -13,6 +13,9 @@ python -m src.main
 # UAV_VisLoc (81K images)
 python scripts/run_uav_visloc.py
 
+# GTA-UAV-LR (48K images, synthetic GTA V)
+python scripts/run_gta_uav.py
+
 # Тесты (143 шт, без GPU)
 python -m pytest src/tests/ -v
 ```
@@ -22,7 +25,7 @@ python -m pytest src/tests/ -v
 - **Формат выхода:** SafeTensors (zero-copy mmap, ~0.1ms чтение). Не NPY, не PNG, не `.pt`.
 - **Структура директорий:** модальность = папка (`depth/`, `edge/`, `segm/`, `chm/`, `safetensors/`), не суффикс файла.
 - **Стадии последовательно** — одна модель в GPU за раз (экономия VRAM).
-- **Сегментация:** SegEarth-OV3 (SAM 3.1 + open-vocabulary prompts). 11 классов для World-UAV, 16 для UAV_VisLoc.
+- **Сегментация:** SegEarth-OV3 (SAM 3.1 + open-vocabulary prompts). 11 классов для World-UAV, 16 для UAV_VisLoc, 14 для GTA-UAV.
 - **CHMv2 только FP32** — в FP16 NaN.
 
 ## Структура кода

README.md

@@ -10,10 +10,11 @@
 | **CHMv2** | DINOv3-ViTL16 (337M, FP32) | grayscale [256x256] | 31.7 img/s |
 | **Consolidate** | SafeTensors (CPU) | `.safetensors` per image | ~5000 img/s |
 
-| Датасет | Изображения | Классы сегментации | Скрипт |
+| Датасет | Изображения | Классы сегм. | Скрипт |
 |:---|:---|:---|:---|
 | **World-UAV** | 973K (486K DB + 486K query) | 11 | `python -m src.main` |
 | **UAV_VisLoc** | 81K (75K DB + 6.7K drone) | 16 | `python scripts/run_uav_visloc.py` |
+| **GTA-UAV-LR** | 48K (15K sat + 34K drone) | 14 | `python scripts/run_gta_uav.py` |
 
 ## Quick Start
 
@@ -24,6 +25,9 @@ python -m src.main
 # UAV_VisLoc
 python scripts/run_uav_visloc.py
 
+# GTA-UAV-LR
+python scripts/run_gta_uav.py
+
 # Тесты (143 шт, без GPU)
 python -m pytest src/tests/ -v
 ```
@@ -67,6 +71,7 @@ python -m pytest src/tests/ -v
 │   └── tests/                     # 143 теста (pytest)
 ├── scripts/
 │   ├── run_uav_visloc.py         # Запуск для UAV_VisLoc (16 классов)
+│   ├── run_gta_uav.py            # Запуск для GTA-UAV-LR (14 классов)
 │   └── migrate_layout.py         # Миграция со старого prefix-формата
 └── docs/
     ├── segmentation_class_analysis.md   # Анализ классов сегментации (11 классов)
@@ -135,6 +140,21 @@ UAV_VisLoc содержит больше сельских/прибрежных
 
 > Threshold снижен до 0.1 (vs 0.15 для World-UAV) — UAV_VisLoc содержит больше тёмных/низкоконтрастных сцен.
 
+### GTA-UAV-LR: 14 классов
+
+Синтетический датасет из GTA V. Особенности:
+- Satellite в RGBA (alpha = граница карты) → автоматически конвертируется в RGB
+- Drone 512x384 (не квадратные) → resize в 512x512
+- 6 высот полёта: 100, 200, 300, 400, 500, 600 м
+
+Классы = 11 базовых + 3 специфических для GTA:
+
+| ID | Промпт | Зачем |
+|:--:|:---|:---|
+| 11 | `bare soil and plowed field` | Пустыри, стройплощадки (много в пригородах GTA) |
+| 12 | `roof and rooftop` | Плоские крыши, вертолётные площадки |
+| 13 | `swimming pool` | Бассейны — характерный landmark пригородов GTA |
+
 Подробный анализ выбора классов: [`docs/segmentation_class_analysis.md`](docs/segmentation_class_analysis.md)
 
 ### hardware.gin

docs/segmentation_class_analysis.md

@@ -273,6 +273,71 @@ SegConfig(threshold=0.1, prompts=[
 
 ---
 
+## Конфигурация для GTA-UAV-LR: 14 классов
+
+### Характеристики датасета
+
+GTA-UAV-LR — синтетический датасет, сгенерированный из игрового движка GTA V (Grand Theft Auto V).
+
+| Параметр | Значение |
+|---|---|
+| Drone изображения | 33 763 шт., 512x384 px, RGB PNG |
+| Satellite изображения | 14 640 шт., 256x256 px, **RGBA** PNG |
+| Итого | 48 403 изображения |
+| Высоты полёта | 100, 200, 300, 400, 500, 600 м |
+| Локация | Карта GTA V (Лос-Сантос и окрестности) |
+| Сцены | Город, пригород, сельская местность, побережье, горы, пустыня |
+| Формат аннотаций | JSON (cross-area, same-area, train/test splits) |
+
+**Особенности:**
+- **Satellite RGBA:** alpha-канал обозначает границы карты GTA V. Прозрачные пиксели (alpha=0) = за пределами игрового мира. При обработке конвертируется в RGB (прозрачное → чёрный).
+- **Drone не квадратные:** 512x384 → resize в 512x512 (потеря aspect ratio, но это синтетика — не критично).
+- **Синтетические текстуры:** GTA V рендерит реалистичные но не фотореалистичные текстуры. SegEarth-OV3 справляется хорошо — текстуры достаточно близки к реальным для open-vocabulary grounding.
+- **Бассейны** — характерная особенность пригородов GTA V (Vinewood Hills, Rockford Hills). Яркий бирюзовый цвет, уникальная геометрия — сильный localization cue для CVGL.
+
+### Выбор 14 классов
+
+11 базовых классов (совпадают с World-UAV) + 3 специфичных:
+
+| ID | Промпт | Обоснование |
+|---|---|---|
+| 11 | `bare soil and plowed field` | GTA V содержит много пустырей, стройплощадок, грунтовых дорог в пригородах (Sandy Shores, Grapeseed). Без этого класса ~10-15% уходит в background. |
+| 12 | `roof and rooftop` | Плоские крыши коммерческих зданий, вертолётные площадки (Maze Bank Tower). GTA V рендерит крыши с детализированными текстурами (кондиционеры, антенны), которые `building` не ловит сверху. |
+| 13 | `swimming pool` | Бассейны во дворах вилл — один из самых характерных визуальных элементов пригородов GTA V. Яркий бирюзовый цвет на сером/зелёном фоне — сильнейший landmark для cross-view matching. `water` не различает бассейн от океана. |
+
+### Почему не добавлены
+
+| Класс | Причина |
+|---|---|
+| `highway` | Покрыт `road` — SegEarth не различает шоссе и обычную дорогу |
+| `beach` | Покрыт `sand and gravel ground` |
+| `mountain` | Покрыт `rocky terrain` + `vegetation` |
+| `sports field` | Есть в GTA V, но редко виден сверху (стадионы закрыты) |
+| `muddy ground` | Не актуален для GTA V (нет болот в Лос-Сантосе) |
+
+### Конфигурация
+
+```python
+SegConfig(threshold=0.15, prompts=[
+    "background",                   # 0
+    "building",                     # 1
+    "road",                         # 2
+    "vegetation",                   # 3
+    "water",                        # 4
+    "sand and gravel ground",       # 5
+    "rocky terrain",                # 6
+    "farmland",                     # 7
+    "railway",                      # 8
+    "parking lot",                  # 9
+    "sidewalk",                     # 10
+    "bare soil and plowed field",   # 11
+    "roof and rooftop",             # 12
+    "swimming pool",               # 13
+])
+```
+
+---
+
 ## Оценка влияния на производительность
 
 - Инференс: ~1.8–2.2x медленнее (11 vs 5 text prompts)

scripts/run_gta_uav.py

@@ -0,0 +1,116 @@
+#!/usr/bin/env python3
+"""Run annotation pipeline for GTA-UAV-LR dataset.
+
+GTA-UAV-LR: synthetic dataset from GTA V engine.
+- drone/images/: 33763 images, 512x384, RGB PNG
+- satellite/:    14640 images, 256x256, RGBA PNG (alpha = map boundary)
+- Total: 48403 images
+- 6 flight heights: 100, 200, 300, 400, 500, 600 meters
+
+Usage:
+    python scripts/run_gta_uav.py
+    python scripts/run_gta_uav.py --source db       # only satellite (14.6K)
+    python scripts/run_gta_uav.py --source drone     # only drone (33.8K)
+"""
+
+from __future__ import annotations
+
+import argparse
+import sys
+from pathlib import Path
+
+_PROJECT_ROOT = Path(__file__).resolve().parent.parent
+sys.path.insert(0, str(_PROJECT_ROOT))
+
+import numpy as np
+import torch
+
+from src.conf.hardware_conf import HardwareConfig
+from src.conf.input_conf import InputConfig
+from src.conf.models_conf import ModelsConfig
+from src.conf.pipeline_conf import PipelineConfig
+from src.conf.seg_conf import SegConfig
+from src.augmentor.io_utils import setup_logging
+from src.main import run_pipeline
+
+
+INPUT_ROOT = "/home/servml/Документы/datasets/GTA-UAV-LR"
+OUTPUT_ROOT = "/home/servml/Документы/datasets/GTA-UAV-LR-aug"
+
+
+def main() -> None:
+    parser = argparse.ArgumentParser(description="Annotate GTA-UAV-LR")
+    parser.add_argument("--source", choices=["db", "drone", "all"], default="all",
+                        help="Process only db (satellite), drone, or all (default)")
+    parser.add_argument("--stages", nargs="+",
+                        default=["depth", "edges", "segmentation", "chmv2"],
+                        help="Stages to run")
+    args = parser.parse_args()
+
+    import gin
+    gin.clear_config()
+
+    source = None if args.source == "all" else args.source
+    if source == "drone":
+        source = "query"
+
+    pipeline_conf = PipelineConfig(
+        input_root=INPUT_ROOT,
+        output_root=OUTPUT_ROOT,
+        stages=args.stages,
+        save_npy=False,
+        save_vis=True,
+        save_safetensors=True,
+        cleanup_npy=True,
+        resume=True,
+        source=source,
+        log_level="INFO",
+    )
+
+    hw_conf = HardwareConfig(
+        profile_name="rtx4090",
+        total_ram_gb=24.0,
+        reserve_gb=2.0,
+        use_fp16=True,
+        batch_size=None,
+        num_workers=4,
+    )
+
+    # GTA-UAV: satellite 256x256, drone 512x384
+    # Use 256 for satellite, 512 for drone (non-square → resize to square)
+    input_conf = InputConfig(image_size=256, query_image_size=512)
+
+    # GTA V synthetic scenes: urban, suburban, rural, coastal, mountainous
+    # 11 base classes + pool (swimming pools common in GTA suburbs)
+    seg_conf = SegConfig(threshold=0.15, prompts=[
+        "background",                   # 0
+        "building",                     # 1
+        "road",                         # 2
+        "vegetation",                   # 3
+        "water",                        # 4
+        "sand and gravel ground",       # 5
+        "rocky terrain",                # 6
+        "farmland",                     # 7
+        "railway",                      # 8
+        "parking lot",                  # 9
+        "sidewalk",                     # 10
+        "bare soil and plowed field",   # 11
+        "roof and rooftop",             # 12
+        "swimming pool",               # 13
+    ])
+
+    models_conf = ModelsConfig(weights_dir=str(_PROJECT_ROOT / "in" / "weights"))
+
+    setup_logging(
+        pipeline_conf.log_level,
+        log_file=Path(OUTPUT_ROOT) / "pipeline.log",
+    )
+
+    torch.manual_seed(42)
+    np.random.seed(42)
+
+    run_pipeline(pipeline_conf, hw_conf, models_conf, input_conf, seg_conf)
+
+
+if __name__ == "__main__":
+    main()

src/augmentor/dataset.py

@@ -101,9 +101,11 @@ def discover_images(
 
         if source is not None:
             rel_parts = p.relative_to(root).parts
-            if source == "query" and "DB" in rel_parts:
+            is_db = "DB" in rel_parts or "satellite" in rel_parts
+            is_query = "query" in rel_parts or "drone" in rel_parts
+            if source == "query" and is_db:
                 continue
-            if source == "db" and ("query" in rel_parts or "drone" in rel_parts):
+            if source == "db" and is_query:
                 continue
 
         rel = p.relative_to(root)