Centraasia ResNet 50

🚀 用于中亚图像分类的ResNet - 50模型

本模型是一个预训练的ResNet - 50模型，在中亚食品数据集上进行了微调。它可用于多类别的图像分类任务。该数据集被划分为训练集、验证集和测试集。模型使用随机梯度下降（SGD）优化器和交叉熵损失函数（CrossEntropyLoss）进行训练。

🚀 快速开始

模型描述

这是一个在中亚食品数据集上进行微调的预训练ResNet - 50模型，用于多类别图像分类。数据被划分为训练集、验证集和测试集。模型采用随机梯度下降（SGD）优化器与交叉熵损失函数（CrossEntropyLoss）进行训练。

训练参数

• 轮数（Epochs）： 25
• 批次大小（Batch Size）： 32
• 学习率（Learning Rate）： 0.001
• 优化器（Optimizer）： 带有0.9动量的SGD
• 损失函数（Loss Function）： 交叉熵损失函数（CrossEntropyLoss）

结果

训练与验证，F1值

模型在Kaggle笔记本中的两块T4 GPU上训练了36分7秒
最佳验证准确率： 86.54%

                      precision    recall  f1-score   support

            achichuk       0.91      0.98      0.94        41
         airan-katyk       0.84      0.93      0.89        46
                asip       0.78      0.57      0.66        37
            bauyrsak       0.90      0.90      0.90        62
   beshbarmak-w-kazy       0.71      0.84      0.77        44
  beshbarmak-wo-kazy       0.86      0.69      0.76        61
           chak-chak       0.94      0.94      0.94        93
            cheburek       0.92      0.88      0.90        94
        doner-lavash       0.77      1.00      0.87        20
           doner-nan       0.86      0.82      0.84        22
             hvorost       0.98      0.86      0.91       141
            irimshik       0.96      0.94      0.95       175
         kattama-nan       0.84      0.88      0.86        66
          kazy-karta       0.72      0.78      0.75        46
                kurt       0.86      0.97      0.91        61
             kuyrdak       0.92      0.93      0.92        58
       kymyz-kymyran       0.93      0.82      0.87        49
        lagman-fried       0.86      0.95      0.90        38
       lagman-w-soup       0.90      0.80      0.85        75
      lagman-wo-soup       0.58      0.86      0.69        22
               manty       0.91      0.95      0.93        63
               naryn       0.97      0.99      0.98        84
        nauryz-kozhe       0.88      0.96      0.92        52
               orama       0.68      0.84      0.75        38
                plov       0.95      0.98      0.97       101
               samsa       0.91      0.93      0.92       106
    shashlyk-chicken       0.68      0.65      0.66        62
  shashlyk-chicken-v       0.74      0.76      0.75        33
   shashlyk-kuskovoi       0.75      0.75      0.75        71
 shashlyk-kuskovoi-v       0.53      0.79      0.64        29
shashlyk-minced-meat       0.74      0.69      0.72        42
          sheep-head       0.75      0.94      0.83        16
             shelpek       0.77      0.86      0.81        64
              shorpa       0.95      0.88      0.91        80
          soup-plain       0.96      0.94      0.95        71
              sushki       0.83      1.00      0.91        43
               suzbe       0.89      0.82      0.86        62
            taba-nan       0.92      0.80      0.86       136
        talkan-zhent       0.86      0.80      0.83        90
      tushpara-fried       0.79      0.74      0.76        46
     tushpara-w-soup       0.94      0.94      0.94        67
    tushpara-wo-soup       0.92      0.87      0.89        91

            accuracy                           0.87      2698
           macro avg       0.84      0.86      0.85      2698
        weighted avg       0.88      0.87      0.87      2698

测试

训练完成后，模型在测试集上进行了测试：

• 测试准确率： 87%

仓库结构

• main.py — 用于训练和测试模型的代码
• model/ — 以SafeTensors格式保存的模型

💻 使用示例

基础用法

from transformers import AutoModelForImageClassification
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file

repo_id = "Eraly-ml/centraasia-ResNet-50"
filename = "model.safetensors"

# 加载模型
model_path = hf_hub_download(repo_id=repo_id, filename=filename)
model = AutoModelForImageClassification.from_pretrained(repo_id)
model.load_state_dict(load_file(model_path))

联系信息

我的Telegram：@eralyf