Fine Tuned Vit Trash Classification

🚀 视觉变换器（基础尺寸模型）

视觉变换器（ViT）是一种用于图像识别的模型，它先在 ImageNet - 21k（1400 万张图像，21843 个类别）数据集上以 224x224 的分辨率进行预训练，然后在 ImageNet 2012（100 万张图像，1000 个类别）数据集上以相同分辨率进行微调。该模型由 Dosovitskiy 等人在论文 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 中提出，并首次在 此仓库 发布。不过，其权重由 Ross Wightman 从 timm 仓库 转换而来，他将权重从 JAX 转换为了 PyTorch，在此表示感谢。

声明：发布 ViT 的团队并未为此模型撰写模型卡片，此卡片由 Hugging Face 团队编写。

🚀 快速开始

数据集

使用的数据集涵盖六个类别：玻璃、纸张、纸板、塑料、金属和垃圾。目前，该数据集包含 2527 张图像：

• 501 张玻璃图像
• 594 张纸张图像
• 403 张纸板图像
• 482 张塑料图像
• 410 张金属图像
• 137 张垃圾图像

微调笔记本

此笔记本详细介绍了从将数据处理成 ViT 可接受的格式到训练模型的步骤，点击查看。

如何使用

只需复制以下代码：

from transformers import AutoFeatureExtractor, AutoModelForImageClassification
from PIL import Image
import requests
url = 'https://www.estal.com/FitxersWeb/331958/estal_carroussel_wg_spirits_5.jpg'
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = AutoFeatureExtractor.from_pretrained("Aalaa/Fine_tuned_Vit_trash_classification")
model = AutoModelForImageClassification.from_pretrained("Aalaa/Fine_tuned_Vit_trash_classification")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

更多代码示例，请参考 文档。

📄 许可证

本项目采用 Apache - 2.0 许可证。