Create README.md

README.md

@@ -0,0 +1,69 @@
+---
+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
+