---
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