Fruits And Vegetables Detector 36

🚀 水果和蔬菜檢測器-36

該模型基於microsoft/resnet - 50微調而來，可用於水果和蔬菜的圖像分類，在評估集上取得了較高的準確率。

🚀 快速開始

本模型是 microsoft/resnet - 50 的微調版本。它在評估集上取得了以下結果：

• 損失值：0.0014
• 準確率：0.9721

✨ 主要特性

• 基於強大的 resnet - 50 基礎模型進行微調。
• 在特定的水果和蔬菜圖像數據集上進行訓練，能夠準確識別 36 種不同的水果和蔬菜。

📚 詳細文檔

模型描述

此模型是使用微軟的 resnet - 50 基礎模型進行的探索性測試。

預期用途及限制

該模型使用非常小的數據集 kritikseth/fruit - and - vegetable - image - recognition 進行訓練，該數據集僅包含 36 個標籤。

如何使用

以下是如何使用此模型對圖像進行分類的示例：

import cv2
import torch
import torchvision.transforms as transforms
from transformers import AutoModelForImageClassification
from PIL import Image

# Load the saved model and tokenizer
model = AutoModelForImageClassification.from_pretrained("jazzmacedo/fruits-and-vegetables-detector-36")

# Get the list of labels from the model's configuration
labels = list(model.config.id2label.values())

# Define the preprocessing transformation
preprocess = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

image_path = "path/to/your/image.jpg"
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
pil_image = Image.fromarray(image)  # Convert NumPy array to PIL image
input_tensor = preprocess(pil_image).unsqueeze(0)

# Run the image through the model
outputs = model(input_tensor)

# Get the predicted label index
predicted_idx = torch.argmax(outputs.logits, dim=1).item()

# Get the predicted label text
predicted_label = labels[predicted_idx]

# Print the predicted label
print("Detected label:", predicted_label)

訓練和評估數據

數據集來源：https://www.kaggle.com/datasets/kritikseth/fruit-and-vegetable-image-recognition

訓練過程

訓練超參數

訓練期間使用了以下超參數：

• 學習率：0.001
• 訓練批次大小：32
• 評估批次大小：32
• 隨機種子：42
• 優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
• 學習率調度器類型：線性
• 訓練輪數：10

📄 許可證

本項目採用 Apache - 2.0 許可證。