夫妻免费无码v看片,国产69精品久久久久9999不卡

首頁

科技周邊

人工智能

擁抱面部圖像分類：綜合指南

Lisa Kudrow

Mar 07, 2025 am 09:34 AM

利用擁抱臉進(jìn)行圖像分類：綜合指南

AI和機器學(xué)習(xí)的基石圖像分類是從面部識別到醫(yī)學(xué)成像的各種領(lǐng)域的應(yīng)用。擁抱面孔是該任務(wù)的強大平臺，特別是對于那些熟悉自然語言處理（NLP）和越來越多的計算機視覺的人。本指南的詳細(xì)信息使用擁抱臉進(jìn)行圖像分類，迎合初學(xué)者和經(jīng)驗豐富的從業(yè)者。

了解圖像分類和擁抱臉的優(yōu)勢

>圖像分類涉及使用算法將圖像分類為預(yù)定義的類，這些算法分析視覺內(nèi)容并根據(jù)學(xué)習(xí)模式進(jìn)行預(yù)測類別。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是由于其模式識別能力而成為標(biāo)準(zhǔn)方法。要深入研究CNN，請參閱我們的文章“卷積神經(jīng)網(wǎng)絡(luò)介紹（CNN）”。我們的“機器學(xué)習(xí)中的分類：簡介”文章提供了對分類算法的更廣泛的理解。

擁抱臉提供了幾個優(yōu)點：

Hugging Face Image Classification: A Comprehensive Guide With Examples >

使用擁抱面進(jìn)行圖像分類的關(guān)鍵好處

直觀的API和綜合文檔滿足所有技能水平。> 預(yù)先訓(xùn)練的模型：
>社區(qū)和支持：
擁抱面也簡化了具有各種推理選項的主要云平臺（AWS，Azure，Google Cloud Platform）的模型部署。

>跨云平臺的模型部署選項 Hugging Face Image Classification: A Comprehensive Guide With Examples

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。加載后，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。該代碼的靈感來自擁抱Face的官方文檔。

庫要求：

使用PIP安裝必要的庫：安裝后

>重新啟動內(nèi)核。導(dǎo)入所需庫：

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

加載數(shù)據(jù)集：

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，每個圖像都帶有'image_file_path'，'image'（pil對象）和'labels'（0：angular_leaf_spot，1：bean_rust，2：健康）。

輔助函數(shù)可視化隨機圖像：

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

可視化六個隨機圖像：

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

Hugging Face Image Classification: A Comprehensive Guide With Examples

>來自豆類數(shù)據(jù)集的示例圖像>

數(shù)據(jù)預(yù)處理：

>拆分?jǐn)?shù)據(jù)集（80％火車，20％驗證）：>

創(chuàng)建標(biāo)簽映射：

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) ...

型號加載和微調(diào)

display_random_images(beans_train, num_images=6)

加載預(yù)先訓(xùn)練的VIT模型：

>代碼加載預(yù)訓(xùn)練的模型，定義轉(zhuǎn)換（調(diào)整，歸一化），并準(zhǔn)備培訓(xùn)數(shù)據(jù)集。精度度量定義用于評估。

beans_train = beans_train.train_test_split(test_size=0.2)

登錄到擁抱的臉：

（遵循屏幕上的指示）

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

配置和啟動培訓(xùn)：

（原始輸入中所示的訓(xùn)練結(jié)果）

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

模型部署和集成

>將受過訓(xùn)練的模型推向擁抱的臉部集線器：

然后可以通過以下方式訪問并使用該模型

notebook_login()

擁抱面部門戶：

直接上傳預(yù)測圖像。

變形金剛庫：使用Python代碼中的模型。
REST API：利用提供的API端點進(jìn)行預(yù)測。示例使用API??：
結(jié)論和進(jìn)一步的資源

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

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

trainer.train()

“使用變壓器和擁抱臉的簡介”

“使用Python的圖像處理”技能軌道