Panjuoffset TwoClass

🚀 盤鋸偏移圖像檢測模型

本項目基於預訓練模型google/vit-base-patch16-224（模型鏈接）進行微調，實現盤鋸偏移的圖像檢測，可用於圖像分類任務。

🚀 快速開始

本模型可用於將COCO 2017數據集中的圖像分類為1000個ImageNet類別之一，以下是使用示例：

# Load image
import torch
from transformers import ViTFeatureExtractor, ViTForImageClassification,AutoModel
from PIL import Image
import requests
url='https://datasets-server.huggingface.co/assets/ShihTing/IsCausewayOffset/--/ShihTing--IsCausewayOffset/validation/0/image/image.jpg'
image = Image.open(requests.get(url, stream=True).raw)
# Load model
from transformers import AutoFeatureExtractor, AutoModelForImageClassification
device = torch.device('cpu')
extractor = AutoFeatureExtractor.from_pretrained('ShihTing/PanJuOffset_TwoClass')
model = AutoModelForImageClassification.from_pretrained('ShihTing/PanJuOffset_TwoClass')
# Predict
inputs = extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
Prob = outputs.logits.softmax(dim=-1).tolist()
print(Prob)
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

📦 數據集

DatasetDict({
    train: Dataset({
        features: ['image', 'label'],
        num_rows: 329
    })
    validation: Dataset({
        features: ['image', 'label'],
        num_rows: 56
    })
})

訓練集中有36個“損壞”樣本和293個“正常”樣本；驗證集中有5個“損壞”樣本和51個“正常”樣本。

📚 詳細文檔

預期用途

本模型主要用於盤鋸偏移的圖像檢測，通過對圖像進行分類，判斷盤鋸是否偏移。

使用方法

上述代碼展示瞭如何使用該模型對圖像進行分類預測。具體步驟如下：

1. 加載圖像：使用PIL庫和requests庫從指定URL加載圖像。
2. 加載模型：使用transformers庫的AutoFeatureExtractor和AutoModelForImageClassification加載預訓練模型。
3. 預測：將圖像輸入模型，得到預測結果。

📄 許可證

本項目採用Apache-2.0許可證。