Panjuoffset TwoClass

🚀 盘锯偏移图像检测模型

本项目基于预训练模型google/vit-base-patch16-224（模型链接）进行微调，实现盘锯偏移的图像检测，可用于图像分类任务。

🚀 快速开始

本模型可用于将COCO 2017数据集中的图像分类为1000个ImageNet类别之一，以下是使用示例：

# Load image
import torch
from transformers import ViTFeatureExtractor, ViTForImageClassification,AutoModel
from PIL import Image
import requests
url='https://datasets-server.huggingface.co/assets/ShihTing/IsCausewayOffset/--/ShihTing--IsCausewayOffset/validation/0/image/image.jpg'
image = Image.open(requests.get(url, stream=True).raw)
# Load model
from transformers import AutoFeatureExtractor, AutoModelForImageClassification
device = torch.device('cpu')
extractor = AutoFeatureExtractor.from_pretrained('ShihTing/PanJuOffset_TwoClass')
model = AutoModelForImageClassification.from_pretrained('ShihTing/PanJuOffset_TwoClass')
# Predict
inputs = extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
Prob = outputs.logits.softmax(dim=-1).tolist()
print(Prob)
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

📦 数据集

DatasetDict({
    train: Dataset({
        features: ['image', 'label'],
        num_rows: 329
    })
    validation: Dataset({
        features: ['image', 'label'],
        num_rows: 56
    })
})

训练集中有36个“损坏”样本和293个“正常”样本；验证集中有5个“损坏”样本和51个“正常”样本。

📚 详细文档

预期用途

本模型主要用于盘锯偏移的图像检测，通过对图像进行分类，判断盘锯是否偏移。

使用方法

上述代码展示了如何使用该模型对图像进行分类预测。具体步骤如下：

1. 加载图像：使用PIL库和requests库从指定URL加载图像。
2. 加载模型：使用transformers库的AutoFeatureExtractor和AutoModelForImageClassification加载预训练模型。
3. 预测：将图像输入模型，得到预测结果。

📄 许可证

本项目采用Apache-2.0许可证。