Birds Classifier EfficientNetB2

🚀 鳥類分類器EfficientNet - B2

本項目的鳥類分類器基於EfficientNet - B2模型，可利用圖像分類技術準確識別鳥類物種，為鳥類識別提供了高效、準確的解決方案。

🚀 快速開始

本模型可用於圖像分類任務。以下是使用該模型對鳥類圖片進行分類的示例代碼。

基礎用法

# Importing the libraries needed
import torch
import urllib.request
from PIL import Image
from transformers import EfficientNetImageProcessor, EfficientNetForImageClassification

# Determining the file URL
url = 'some url'

# Opening the image using PIL
img = Image.open(urllib.request.urlretrieve(url)[0])

# Loading the model and preprocessor from HuggingFace
preprocessor = EfficientNetImageProcessor.from_pretrained("dennisjooo/Birds-Classifier-EfficientNetB2")
model = EfficientNetForImageClassification.from_pretrained("dennisjooo/Birds-Classifier-EfficientNetB2")

# Preprocessing the input
inputs = preprocessor(img, return_tensors="pt")

# Running the inference
with torch.no_grad():
    logits = model(**inputs).logits

# Getting the predicted label
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label])

高級用法

# Importing the libraries needed
import torch
import urllib.request
from PIL import Image
from transformers import pipeline

# Determining the file URL
url = 'some url'

# Opening the image using PIL
img = Image.open(urllib.request.urlretrieve(url)[0])

# Loading the model and preprocessor using Pipeline
pipe = pipeline("image-classification", model="dennisjooo/Birds-Classifier-EfficientNetB2")

# Running the inference
result = pipe(img)[0]

# Printing the result label
print(result['label'])

✨ 主要特性

• 高精度識別：在訓練集、驗證集和測試集上均表現出色，訓練集準確率達0.999480，驗證集準確率達0.985904，測試集準確率達0.991238。
• 基於優秀基礎模型：該模型是在[google/efficientnet - b2](https://huggingface.co/google/efficientnet - b2)基礎上微調而來，原模型在ImageNet - 1K上訓練，具備一定的特徵識別能力。

📚 詳細文檔

模型描述

你是否曾看著一隻鳥，心想“要是我知道這是什麼鳥就好了”？除非你是狂熱的觀鳥者（或者只是單純熱愛鳥類），否則很難區分某些鳥類物種。不過你很幸運，事實證明可以使用圖像分類器來識別鳥類物種！

本模型是[google/efficientnet - b2](https://huggingface.co/google/efficientnet - b2)在Kaggle上的[gpiosenka/100 - bird - species](https://www.kaggle.com/datasets/gpiosenka/100 - bird - species)數據集上的微調版本。用於訓練模型的數據集於2023年9月24日獲取。

原始模型本身在ImageNet - 1K上進行訓練，因此它可能仍然具有一些用於識別鳥類等生物的有用特徵。

理論上，在該數據集上隨機猜測的準確率為0.0019047619（本質上是1/525）。該模型在所有三個數據集上的表現都非常好，結果如下：

• 訓練集：0.999480
• 驗證集：0.985904
• 測試集：0.991238

預期用途

你可以使用原始模型進行圖像分類。上述代碼示例展示了模型的具體使用方式。

訓練與評估

數據

數據集來自Kaggle上的[gpiosenka/100 - bird - species](https://www.kaggle.com/datasets/gpiosenka/100 - bird - species)。它包含525種鳥類，有84635張訓練圖像，驗證集和測試集各有2625張圖像。數據集中的每張圖像都是224×224的RGB圖像。

訓練過程使用了作者提供的相同數據劃分。更多詳細信息，請參考[作者的Kaggle頁面](https://www.kaggle.com/datasets/gpiosenka/100 - bird - species)。

訓練過程

訓練使用PyTorch在Kaggle的免費P100 GPU上進行。該過程還使用了Lightning和Torchmetrics庫。

預處理

每張圖像根據原作者的[配置](https://huggingface.co/google/efficientnet - b2/blob/main/preprocessor_config.json)進行預處理。

訓練集還使用了以下數據增強方法：

• 以50%的概率隨機旋轉10度
• 以50%的概率隨機水平翻轉

訓練超參數

以下是訓練使用的超參數：

結果

下圖是訓練過程在訓練集和驗證集上的結果： 

📄 許可證

本項目採用Apache - 2.0許可證。