利用擁抱臉進(jìn)行圖像分類(lèi)：綜合指南

了解圖像分類(lèi)和擁抱臉的優(yōu)勢(shì)

>圖像分類(lèi)涉及使用算法將圖像分類(lèi)為預(yù)定義的類(lèi)，這些算法分析視覺(jué)內(nèi)容並根據(jù)學(xué)習(xí)模式進(jìn)行預(yù)測(cè)類(lèi)別。 卷積神經(jīng)網(wǎng)絡(luò)（CNN）是由於其模式識(shí)別能力而成為標(biāo)準(zhǔn)方法。 要深入研究CNN，請(qǐng)參閱我們的文章“卷積神經(jīng)網(wǎng)絡(luò)介紹（CNN）”。 我們的“機(jī)器學(xué)習(xí)中的分類(lèi)：簡(jiǎn)介”文章提供了對(duì)分類(lèi)算法的更廣泛的理解。

擁抱臉提供了幾個(gè)優(yōu)點(diǎn)：

>

>

可訪問(wèn)性：
• 直觀的API和綜合文檔滿(mǎn)足所有技能水平。 > 預(yù)先訓(xùn)練的模型：
大量的預(yù)訓(xùn)練模型存儲(chǔ)庫(kù)可以在自定義數(shù)據(jù)集上進(jìn)行有效的微調(diào)，從而最大程度地減少培訓(xùn)時(shí)間和計(jì)算資源。 用戶(hù)可以訓(xùn)練和部署自己的模型。
• >社區(qū)和支持：
充滿(mǎn)活力的社區(qū)提供了寶貴的支持和故障排除幫助。
• 擁抱面也簡(jiǎn)化了具有各種推理選項(xiàng)的主要雲(yún)平臺(tái)（AWS，Azure，Google Cloud Platform）的模型部署。

>跨雲(yún)平臺(tái)的模型部署選項(xiàng)

數(shù)據(jù)準(zhǔn)備和預(yù)處理 >本指南使用擁抱的面部“豆”數(shù)據(jù)集進(jìn)行演示。 加載後，我們將在預(yù)處理前可視化數(shù)據(jù)。 隨附的Google Colab筆記本提供了代碼。 該代碼的靈感來(lái)自擁抱Face的官方文檔。

使用PIP安裝必要的庫(kù)： 安裝後

pip -q install datasets
pip -q install transformers=='4.29.0'
pip -q install tensorflow=='2.15' 
pip -q install evaluate
pip -q install --upgrade accelerate

數(shù)據(jù)加載和組織：

import torch
import torchvision
import numpy as np
import evaluate
from datasets import load_dataset
from huggingface_hub import notebook_login
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
from transformers import DefaultDataCollator
from transformers import AutoImageProcessor
from torchvision.transforms import RandomResizedCrop, Compose, Normalize, ToTensor
from transformers import AutoModelForImageClassification, TrainingArguments, Trainer
import matplotlib.pyplot as plt

pip -q install datasets
pip -q install transformers=='4.29.0'
pip -q install tensorflow=='2.15' 
pip -q install evaluate
pip -q install --upgrade accelerate

數(shù)據(jù)集包含1034張圖像，每個(gè)圖像都帶有'image_file_path'，'image'（pil對(duì)象）和'labels'（0：angular_leaf_spot，1：bean_rust，2：健康）。

import torch
import torchvision
import numpy as np
import evaluate
from datasets import load_dataset
from huggingface_hub import notebook_login
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
from transformers import DefaultDataCollator
from transformers import AutoImageProcessor
from torchvision.transforms import RandomResizedCrop, Compose, Normalize, ToTensor
from transformers import AutoModelForImageClassification, TrainingArguments, Trainer
import matplotlib.pyplot as plt

beans_train = load_dataset("beans", split="train")

>來(lái)自豆類(lèi)數(shù)據(jù)集的示例圖像>

數(shù)據(jù)預(yù)處理：

labels_names = {0: "angular_leaf_spot", 1: "bean_rust", 2: "healthy"}

def display_random_images(dataset, num_images=4):
   # ... (function code as in original input) ...

display_random_images(beans_train, num_images=6)

beans_train = beans_train.train_test_split(test_size=0.2)

labels = beans_train["train"].features["labels"].names
label2id, id2label = dict(), dict()
for i, label in enumerate(labels):
   label2id[label] = str(i)
   id2label[str(i)] = label

checkpoint = "google/vit-base-patch16-224-in21k"
image_processor = AutoImageProcessor.from_pretrained(checkpoint)
# ... (rest of the preprocessing code as in original input) ...

notebook_login()

training_args = TrainingArguments(
    # ... (training arguments as in original input) ...
)

trainer = Trainer(
    # ... (trainer configuration as in original input) ...
)

trainer.train()

以上是擁抱面部圖像分類(lèi)：綜合指南的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！