Vit Finetuned Food101

🚀 視覺變換器（ViT）微調食品分類模型

本模型基於視覺變換器（ViT）架構，在Food - 101數據集上對基礎模型進行微調，可將圖像精準分類到101種不同的食品類別中，適用於飲食跟蹤、餐廳菜單分析等多種食品相關應用場景。

🚀 快速開始

本模型是在Food - 101數據集上對[google/vit - base - patch16 - 224 - in21k](https://huggingface.co/google/vit - base - patch16 - 224 - in21k)進行微調後的版本。視覺變換器（ViT）架構用於圖像分類任務，尤其擅長識別和分類食品。

模型詳情

✨ 主要特性

性能表現

該模型在評估集上取得了以下結果：

• 損失值：1.6262
• 準確率：89.6%

預期用途與侷限性

預期用例

• 圖像分類：該模型旨在將圖像分類到101種食品類別中，適用於飲食跟蹤中的食品識別、餐廳菜單分析或食品相關搜索引擎等應用。

侷限性

• 數據集偏差：當應用於與Food - 101數據集中顯著不同的食品圖像時，例如非西方美食或在非標準條件下拍攝的圖像，模型的性能可能會下降。
• 泛化能力：雖然該模型在Food - 101數據集上表現良好，但不能保證其能夠泛化到其他食品相關任務或數據集。
• 輸入尺寸：該模型期望輸入圖像的尺寸為224x224像素。不同尺寸的圖像應相應調整大小。

訓練和評估數據

該模型在Food - 101數據集上進行了微調，該數據集包含101,000張圖像，涵蓋101種不同的食品類別。每個類別包含1,000張圖像，其中750張用於訓練，250張用於測試。該數據集包含各種食品，但可能偏向某些菜系或食品類型。

訓練過程

訓練超參數

該模型使用以下超參數進行微調：

• 學習率：5e - 05
• 訓練批次大小：16
• 評估批次大小：16
• 隨機種子：42
• 梯度累積步數：4
• 總訓練批次大小：64
• 優化器：Adam，β=(0.9, 0.999)，ε = 1e - 08
• 學習率調度器：線性，熱身比例為0.1
• 訓練輪數：3

訓練結果

框架版本

• Transformers：4.42.4
• PyTorch：2.4.0+cu121
• Datasets：2.21.0
• Tokenizers：0.19.1

💻 使用示例

基礎用法

要使用此模型進行推理，您可以從Food - 101數據集中加載圖像並進行分類，示例代碼如下：

from datasets import load_dataset
from transformers import pipeline
from PIL import Image
import requests
from io import BytesIO

# 從互聯網加載示例圖像
image_url = "https://example.com/path-to-your-image.jpg"  # 替換為您的圖像URL
response = requests.get(image_url)
image = Image.open(BytesIO(response.content))

# 加載微調後的圖像分類模型
classifier = pipeline(
    "image-classification",
    model="ashaduzzaman/vit-finetuned-food101"
)

# 進行推理
result = classifier(image)
print(result)

🔧 技術細節

倫理考量

• 偏差：Food - 101數據集主要由流行的西方菜餚組成，這可能會在模型對非西方食品的預測中引入偏差。
• 隱私：在應用中使用此模型時，請確保圖像的來源符合倫理道德，並尊重隱私問題。

引用

如果您在工作中使用此模型，請按以下方式引用：

@misc{vit_finetuned_food101,
  author = {Ashaduzzaman},
  title = {ViT Fine-tuned on Food-101},
  year = {2024},
  url = {https://huggingface.co/ashaduzzaman/vit-finetuned-food101},
}

📄 許可證

本項目採用Apache - 2.0許可證。