File size: 2,216 Bytes
cf89e25 | 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 | ---
library_name: transformers
license: apache-2.0
base_model: torchvision/resnet50
tags:
- image-classification
- computer-vision
- pytorch
- reptiles
- amphibians
metrics:
- accuracy
model-index:
- name: resnet50-reptile-amphibian-classifier
results: []
---
<!-- Diese Model Card wurde auf Basis des Trainings-Notebooks automatisch erstellt. Bitte prüfen, ergänzen und diesen Kommentar ggf. entfernen. -->
# resnet50-reptile-amphibian-classifier
Dieses Modell ist eine feinjustierte Version von ResNet-50 zur Bildklassifikation verschiedener Reptilien- und Amphibienarten. Es wurde auf einem Bilddatensatz trainiert, der von der Plattform Kaggle stammt und Arten wie Frösche, Eidechsen, Schlangen usw. umfasst.
## Modellbeschreibung
Das Modell basiert auf der `resnet50`-Architektur aus `torchvision.models`, wobei die finale Klassifikationsschicht (`fc`) an die Anzahl der Klassen im Datensatz angepasst wurde. Es wurde mithilfe von Data Augmentation und der `Adam`-Optimierung trainiert.
## Anwendungsgebiete & Einschränkungen
**Geeignet für:**
- Klassifikation von Bildern mit Reptilien und Amphibien
- Zoologische oder biologische Bildanalysen
**Nicht geeignet für:**
- Bilder mit schlechter Qualität oder aus anderen Domänen
- Klassifikation von nicht-reptilienartigen Tieren
## Trainings- und Evaluierungsdaten
Der Datensatz besteht aus Bildern, die in die Klassenverzeichnisse unter `data/train`, `data/val` und `data/test` aufgeteilt wurden. Er wurde automatisch in Trainings-, Validierungs- und Testsets im Verhältnis 70/15/15 aufgeteilt.
## Trainingsprozedur
### Trainings-Hyperparameter
- learning_rate: 0.001
- train_batch_size: 32
- eval_batch_size: 32
- seed: 42
- optimizer: Adam
- lr_scheduler_type: ReduceLROnPlateau
- num_epochs: 15
### Trainingsergebnisse
| Training Loss | Validation Loss | Validation Accuracy |
|:-------------:|:---------------:|:-------------------:|
| ≈0.13 (final) | ≈0.18 (final) | ≈0.94–0.95 |
(Genauere Werte sind im Notebook-Ausgang sichtbar)
## Framework-Versionen
- Transformers: nicht verwendet
- PyTorch: ≥ 2.0
- Torchvision: ≥ 0.15
- Scikit-learn: zur Auswertung verwendet
- Gradio (optional): für Deployment
|