Vit Face Expression

🚀 視覺變換器（ViT）面部表情識別模型卡片

本模型利用視覺變換器（ViT）架構，針對面部表情識別任務進行微調，能準確識別多種面部情緒，為相關領域應用提供有力支持。

🚀 快速開始

本模型可通過Hugging Face平臺直接調用，以下是使用示例：

# 導入必要的庫
from transformers import ViTFeatureExtractor, ViTForImageClassification
import torch
from PIL import Image
import requests

# 加載特徵提取器和模型
feature_extractor = ViTFeatureExtractor.from_pretrained('trpakov/vit-face-expression')
model = ViTForImageClassification.from_pretrained('trpakov/vit-face-expression')

# 加載示例圖像
url = 'https://upload.wikimedia.org/wikipedia/commons/thumb/1/1f/Emotional_face.jpg/220px-Emotional_face.jpg'
image = Image.open(requests.get(url, stream=True).raw)

# 預處理圖像
inputs = feature_extractor(images=image, return_tensors="pt")

# 進行預測
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits

# 獲取預測結果
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

✨ 主要特性

• 精準識別：基於視覺變換器（ViT）架構，能精準識別七種不同的面部表情。
• 數據增強：在數據預處理階段採用數據增強技術，提升模型的泛化能力。

📦 安裝指南

可使用以下命令安裝所需庫：

pip install transformers torch pillow requests

📚 詳細文檔

模型概述

模型描述

vit-face-expression模型是一個針對面部情緒識別任務進行微調的視覺變換器模型。它在FER2013數據集上進行訓練，該數據集包含七種不同情緒的面部圖像，分別為：

• 憤怒
• 厭惡
• 恐懼
• 快樂
• 悲傷
• 驚訝
• 中性

數據預處理

輸入圖像在輸入模型之前需要進行預處理，預處理步驟包括：

• 調整大小：將圖像調整為指定的輸入大小。
• 歸一化：將像素值歸一化到特定範圍。
• 數據增強：應用隨機變換（如旋轉、翻轉和縮放）來擴充訓練數據集。

評估指標

• 驗證集準確率：0.7113
• 測試集準確率：0.7116

侷限性

• 數據偏差：模型的性能可能會受到訓練數據中存在的偏差影響。
• 泛化能力：模型對未見數據的泛化能力取決於訓練數據集的多樣性。

📄 許可證

本模型採用Apache 2.0許可證。