Fine Tuned Vit Trash Classification

🚀 ビジョントランスフォーマー (ベースサイズのモデル)

ビジョントランスフォーマー（ViT）は、解像度224x224のImageNet - 21k（1400万枚の画像、21,843クラス）で事前学習され、解像度224x224のImageNet 2012（100万枚の画像、1,000クラス）でファインチューニングされたモデルです。このモデルは、Dosovitskiyらによる論文 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale で紹介され、このリポジトリ で最初に公開されました。ただし、重みはRoss Wightmanによって timmリポジトリ から変換され、彼がすでに重みをJAXからPyTorchに変換しています。彼に感謝します。

免責事項: ViTを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

🚀 クイックスタート

このモデルは画像分類タスクに使用できます。以下の使用例を参考に、すぐに始めることができます。

✨ 主な機能

• ImageNet - 21kで事前学習され、ImageNet 2012でファインチューニングされた高性能な画像分類モデル。
• ガラス、紙、段ボール、プラスチック、金属、ゴミの6クラスの分類が可能。

📦 データセット

使用されたデータセットは、ガラス、紙、段ボール、プラスチック、金属、ゴミの6つのクラスにまたがります。現在、データセットは2527枚の画像で構成されています。

• ガラス: 501枚
• 紙: 594枚
• 段ボール: 403枚
• プラスチック: 482枚
• 金属: 410枚
• ゴミ: 137枚

📚 ファインチューニングノートブック

このノートブックでは、データをViTが受け入れ可能な形式に準備してからモデルを学習するまでの手順を概説しています。ノートブック

💻 使用例

基本的な使用法

from transformers import AutoFeatureExtractor, AutoModelForImageClassification
from PIL import Image
import requests
url = 'https://www.estal.com/FitxersWeb/331958/estal_carroussel_wg_spirits_5.jpg'
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = AutoFeatureExtractor.from_pretrained("Aalaa/Fine_tuned_Vit_trash_classification")
model = AutoModelForImageClassification.from_pretrained("Aalaa/Fine_tuned_Vit_trash_classification")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

より多くのコード例については、ドキュメント を参照してください。

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で公開されています。