Plant Disease Detection Project

🚀 MobileNet V2

MobileNet V2是一个在ImageNet-1k数据集上以224x224分辨率预训练的模型。它能够高效地处理图像分类任务，为图像识别领域提供了轻量级且高效的解决方案。

🚀 快速开始

你可以使用这个预训练的模型进行图像分类任务。以下是一个使用示例，展示了如何将COCO 2017数据集中的一张图像分类为1000个ImageNet类别之一：

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

preprocessor = AutoImageProcessor.from_pretrained("google/mobilenet_v2_1.0_224")
model = AutoModelForImageClassification.from_pretrained("google/mobilenet_v2_1.0_224")

inputs = preprocessor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

注意：这个模型实际上预测1001个类别，即1000个ImageNet类别加上一个额外的“背景”类别（索引为0）。目前，特征提取器和模型都支持PyTorch。

✨ 主要特性

• 轻量级设计：MobileNet系列模型以其小尺寸、低延迟和低功耗的特点而闻名，能够在资源受限的设备上高效运行。
• 灵活性：可以基于该模型进行分类、检测、嵌入和分割等任务，类似于其他流行的大规模模型，如Inception。
• 权衡性能：在延迟、模型大小和准确性之间进行了良好的权衡，与文献中的流行模型相比具有竞争力。

📦 安装指南

文档中未提及具体安装步骤，可参考Hugging Face的transformers库安装指南：

pip install transformers

💻 使用示例

基础用法

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

preprocessor = AutoImageProcessor.from_pretrained("google/mobilenet_v2_1.0_224")
model = AutoModelForImageClassification.from_pretrained("google/mobilenet_v2_1.0_224")

inputs = preprocessor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

高级用法

目前文档未提供高级用法示例，你可以根据具体需求对模型进行微调或结合其他技术进行使用。

📚 详细文档

模型描述

根据原始README：

MobileNet是小型、低延迟、低功耗的模型，其参数经过优化以满足各种用例的资源限制。它们可以像其他流行的大规模模型（如Inception）一样，用于分类、检测、嵌入和分割等任务。MobileNet可以在移动设备上高效运行 [...] MobileNet在延迟、大小和准确性之间进行了权衡，与文献中的流行模型相比具有优势。

检查点命名为mobilenet_v2_depth_size，例如mobilenet_v2_1.0_224，其中1.0是深度乘数，224是模型训练时输入图像的分辨率。

预期用途和限制

你可以使用原始模型进行图像分类。请查看模型中心以查找针对你感兴趣的任务进行微调的版本。

BibTeX引用和引用信息

@inproceedings{mobilenetv22018,
  title={MobileNetV2: Inverted Residuals and Linear Bottlenecks},
  author={Mark Sandler and Andrew Howard and Menglong Zhu and Andrey Zhmoginov and Liang-Chieh Chen},
  booktitle={CVPR},
  year={2018}
}

📄 许可证

该模型的许可证为其他类型。

📋 信息表格