Fine Tuned Vit Trash Classification

🚀 視覺變換器（基礎尺寸模型）

視覺變換器（ViT）是一種用於圖像識別的模型，它先在 ImageNet - 21k（1400 萬張圖像，21843 個類別）數據集上以 224x224 的分辨率進行預訓練，然後在 ImageNet 2012（100 萬張圖像，1000 個類別）數據集上以相同分辨率進行微調。該模型由 Dosovitskiy 等人在論文 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 中提出，並首次在 此倉庫 發佈。不過，其權重由 Ross Wightman 從 timm 倉庫 轉換而來，他將權重從 JAX 轉換為了 PyTorch，在此表示感謝。

聲明：發佈 ViT 的團隊並未為此模型撰寫模型卡片，此卡片由 Hugging Face 團隊編寫。

🚀 快速開始

數據集

使用的數據集涵蓋六個類別：玻璃、紙張、紙板、塑料、金屬和垃圾。目前，該數據集包含 2527 張圖像：

• 501 張玻璃圖像
• 594 張紙張圖像
• 403 張紙板圖像
• 482 張塑料圖像
• 410 張金屬圖像
• 137 張垃圾圖像

微調筆記本

此筆記本詳細介紹了從將數據處理成 ViT 可接受的格式到訓練模型的步驟，點擊查看。

如何使用

只需複製以下代碼：

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])

更多代碼示例，請參考 文檔。

📄 許可證

本項目採用 Apache - 2.0 許可證。