🤖 Fiche Modèle : Two-fruita-classify

🏷️ Informations Générales

Catégorie	Valeur
Auteure	Clemylia (Hugging Face : Clemylia)
Version	v1.0
Type de Modèle	Classification d'Images (Vision par Ordinateur)
Tâche	Classification Binaire
Classification	🍅 Tomate / 🍊 Orange
Publié le	[18 octobre 2025]
mes Modèles Similaires	[*Detia-mya (chiens et chats) - Agna-old (enfants de moins de 8 ans et de plus de 8 ans *]
Framework	[Pytorch]

✨ Aperçu

Le modèle Two-fruita-classify est un classificateur d'images conçu spécifiquement pour la classification binaire de fruits : Tomates 🍅 ou Oranges 🍊.

Idéal pour les applications de tri automatisé, d'inventaire de produits frais, ou simplement pour un projet ludique de reconnaissance d'images.

🎯 Cas d'Usage Principal

• Différenciation rapide et précise entre une tomate et une orange à partir d'une image.

🚀 Utilisation du Modèle (Inférence)

Vous pouvez utiliser ce modèle directement via la bibliothèque transformers de Hugging Face.

💻 1. Utilisation avec le Pipeline (Recommandé)

C'est la méthode la plus simple pour commencer l'inférence.

from transformers import pipeline

# Initialisation du pipeline de classification d'images
classifier = pipeline("image-classification", model="Clemylia/Two-fruita-classify")

# Exemple avec un chemin local ou une URL d'image
image_path = "chemin/vers/votre/image_de_fruit.jpg" 

# Exécution de l'inférence
result = classifier(image_path)

# Affichage du résultat
# Le résultat sera une liste de dictionnaires avec le label et le score
print(result) 

Exemple de Sortie:

[
  {
    "label": "Tomate 🍅",
    "score": 0.9987
  }
]

OU

[
  {
    "label": "Orange 🍊",
    "score": 0.9992
  }
]

🧠 2. Utilisation Manuelle (Pour un Contrôle Total)

Pour les utilisateurs expérimentés nécessitant une intégration plus poussée :

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image

# 1. Charger le processeur d'image et le modèle
model_name = "Clemylia/Two-fruita-classify"
image_processor = AutoImageProcessor.from_pretrained(model_name)
model = AutoModelForImageClassification.from_pretrained(model_name)

# 2. Charger et préparer l'image (exemple avec PIL)
image = Image.open("chemin/vers/votre/image_de_fruit.jpg") 

# 3. Prétraitement de l'image
inputs = image_processor(image, return_tensors="pt")

# 4. Inférence
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()

# 5. Interprétation du résultat
predicted_label = model.config.id2label[predicted_class_idx]

print(f"Prédiction: {predicted_label}")

📊 Métriques et Évaluation

Métrique	Valeur	Commentaires
Précision (Tomate 🍅)	[90]%	Pourcentage de vraies tomates correctement identifiées.
Précision (Orange 🍊)	[90]%	Pourcentage de vraies oranges correctement identifiées.

le modèle a été entraîné sur la dataset (Clemylia/Orange-ou-tomate), contenant des images de tomates et d'oranges.

🛠️ Détails d'Entraînement

🖼️ Jeu de Données (Dataset)

• Nom : [Clemylia/Orange-ou-tomate]
• Source : [Google]
• Taille : [22 images]
• Répartition : [* 10 tomates/12 oranges*]

👩‍💻 Qui suis-je ?

Bonjour ! Je suis Clemylia 👋, une développeuse d'IA passionnée de 18 ans. Je me distingue par une approche créative et originale : la majorité de mes 34 modèles sont développés from scratch. Seuls mes modèles de classification d'images (comme celui-ci) sont issus d'un fine-tuning. Mon objectif est de créer des solutions d'IA à la fois performantes et accessibles. N'hésitez pas à me suivre et à contribuer à mes projets !

Un grand merci de votre intérêt pour Two-fruita-classify ! 🙏 N'oubliez pas de laisser une étoile ⭐️ si ce modèle vous est utile.