Centraasia ResNet 50

🚀 用於中亞圖像分類的ResNet - 50模型

本模型是一個預訓練的ResNet - 50模型，在中亞食品數據集上進行了微調。它可用於多類別的圖像分類任務。該數據集被劃分為訓練集、驗證集和測試集。模型使用隨機梯度下降（SGD）優化器和交叉熵損失函數（CrossEntropyLoss）進行訓練。

🚀 快速開始

模型描述

這是一個在中亞食品數據集上進行微調的預訓練ResNet - 50模型，用於多類別圖像分類。數據被劃分為訓練集、驗證集和測試集。模型採用隨機梯度下降（SGD）優化器與交叉熵損失函數（CrossEntropyLoss）進行訓練。

訓練參數

• 輪數（Epochs）： 25
• 批次大小（Batch Size）： 32
• 學習率（Learning Rate）： 0.001
• 優化器（Optimizer）： 帶有0.9動量的SGD
• 損失函數（Loss Function）： 交叉熵損失函數（CrossEntropyLoss）

結果

訓練與驗證，F1值

模型在Kaggle筆記本中的兩塊T4 GPU上訓練了36分7秒
最佳驗證準確率： 86.54%

                      precision    recall  f1-score   support

            achichuk       0.91      0.98      0.94        41
         airan-katyk       0.84      0.93      0.89        46
                asip       0.78      0.57      0.66        37
            bauyrsak       0.90      0.90      0.90        62
   beshbarmak-w-kazy       0.71      0.84      0.77        44
  beshbarmak-wo-kazy       0.86      0.69      0.76        61
           chak-chak       0.94      0.94      0.94        93
            cheburek       0.92      0.88      0.90        94
        doner-lavash       0.77      1.00      0.87        20
           doner-nan       0.86      0.82      0.84        22
             hvorost       0.98      0.86      0.91       141
            irimshik       0.96      0.94      0.95       175
         kattama-nan       0.84      0.88      0.86        66
          kazy-karta       0.72      0.78      0.75        46
                kurt       0.86      0.97      0.91        61
             kuyrdak       0.92      0.93      0.92        58
       kymyz-kymyran       0.93      0.82      0.87        49
        lagman-fried       0.86      0.95      0.90        38
       lagman-w-soup       0.90      0.80      0.85        75
      lagman-wo-soup       0.58      0.86      0.69        22
               manty       0.91      0.95      0.93        63
               naryn       0.97      0.99      0.98        84
        nauryz-kozhe       0.88      0.96      0.92        52
               orama       0.68      0.84      0.75        38
                plov       0.95      0.98      0.97       101
               samsa       0.91      0.93      0.92       106
    shashlyk-chicken       0.68      0.65      0.66        62
  shashlyk-chicken-v       0.74      0.76      0.75        33
   shashlyk-kuskovoi       0.75      0.75      0.75        71
 shashlyk-kuskovoi-v       0.53      0.79      0.64        29
shashlyk-minced-meat       0.74      0.69      0.72        42
          sheep-head       0.75      0.94      0.83        16
             shelpek       0.77      0.86      0.81        64
              shorpa       0.95      0.88      0.91        80
          soup-plain       0.96      0.94      0.95        71
              sushki       0.83      1.00      0.91        43
               suzbe       0.89      0.82      0.86        62
            taba-nan       0.92      0.80      0.86       136
        talkan-zhent       0.86      0.80      0.83        90
      tushpara-fried       0.79      0.74      0.76        46
     tushpara-w-soup       0.94      0.94      0.94        67
    tushpara-wo-soup       0.92      0.87      0.89        91

            accuracy                           0.87      2698
           macro avg       0.84      0.86      0.85      2698
        weighted avg       0.88      0.87      0.87      2698

測試

訓練完成後，模型在測試集上進行了測試：

• 測試準確率： 87%

倉庫結構

• main.py — 用於訓練和測試模型的代碼
• model/ — 以SafeTensors格式保存的模型

💻 使用示例

基礎用法

from transformers import AutoModelForImageClassification
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file

repo_id = "Eraly-ml/centraasia-ResNet-50"
filename = "model.safetensors"

# 加載模型
model_path = hf_hub_download(repo_id=repo_id, filename=filename)
model = AutoModelForImageClassification.from_pretrained(repo_id)
model.load_state_dict(load_file(model_path))

聯繫信息

我的Telegram：@eralyf