Hugging Face's logo

NaA-IA
/
Two-fruita-classify

Image Classification
Transformers
TensorBoard
Safetensors
swin
Model card Files
xet
Metrics Community
Two-fruita-classify
File size: 4,651 Bytes 
374f288
 
 
 
 
 
 
 
 
 
 
 
 
 
d6e4987
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
 
---
tags:
- transformers
- image-classification
widget:
- src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg
  example_title: Tiger
- src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg
  example_title: Teapot
- src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg
  example_title: Palace
datasets:
- Clemylia/Orange-ou-tomate
---

# 🤖 Fiche Modèle : `Two-fruita-classify`

![Fruita](http://www.image-heberg.fr/files/17607996403778257739.jpg)

## 🏷️ 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.

```python
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:**

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

*OU*

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

### 🧠 2. Utilisation Manuelle (Pour un Contrôle Total)

Pour les utilisateurs expérimentés nécessitant une intégration plus poussée :

```python
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.