Plant Disease Detection Project

🚀 MobileNet V2

MobileNet V2是一個在ImageNet-1k數據集上以224x224分辨率預訓練的模型。它能夠高效地處理圖像分類任務，為圖像識別領域提供了輕量級且高效的解決方案。

🚀 快速開始

你可以使用這個預訓練的模型進行圖像分類任務。以下是一個使用示例，展示瞭如何將COCO 2017數據集中的一張圖像分類為1000個ImageNet類別之一：

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：這個模型實際上預測1001個類別，即1000個ImageNet類別加上一個額外的“背景”類別（索引為0）。目前，特徵提取器和模型都支持PyTorch。

✨ 主要特性

• 輕量級設計：MobileNet系列模型以其小尺寸、低延遲和低功耗的特點而聞名，能夠在資源受限的設備上高效運行。
• 靈活性：可以基於該模型進行分類、檢測、嵌入和分割等任務，類似於其他流行的大規模模型，如Inception。
• 權衡性能：在延遲、模型大小和準確性之間進行了良好的權衡，與文獻中的流行模型相比具有競爭力。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考Hugging Face的transformers庫安裝指南：

pip install transformers

💻 使用示例

基礎用法

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])

高級用法

目前文檔未提供高級用法示例，你可以根據具體需求對模型進行微調或結合其他技術進行使用。

📚 詳細文檔

模型描述

根據原始README：

MobileNet是小型、低延遲、低功耗的模型，其參數經過優化以滿足各種用例的資源限制。它們可以像其他流行的大規模模型（如Inception）一樣，用於分類、檢測、嵌入和分割等任務。MobileNet可以在移動設備上高效運行 [...] MobileNet在延遲、大小和準確性之間進行了權衡，與文獻中的流行模型相比具有優勢。

檢查點命名為mobilenet_v2_depth_size，例如mobilenet_v2_1.0_224，其中1.0是深度乘數，224是模型訓練時輸入圖像的分辨率。

預期用途和限制

你可以使用原始模型進行圖像分類。請查看模型中心以查找針對你感興趣的任務進行微調的版本。

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}
}

📄 許可證

該模型的許可證為其他類型。

📋 信息表格