Update README.md

README.md

@@ -1,3 +1,120 @@
----
-license: mit
----
+---
+license: mit
+tags:
+  - emotion-detection
+  - image-classification
+  - computer-vision
+  - resnet
+datasets:
+  - custom
+---
+
+# emotion_model-thoeppner
+
+Dieses Modell ist eine feinjustierte Version von `resnet-18` für einen benutzerdefinierten Emotionsdatensatz. Es erzielt die folgenden Ergebnisse auf der Validierungsmenge:
+
+- **Loss**: 0.8515
+- **Accuracy**: 71.60 %
+
+## Modell Beschreibung
+
+Das Modell basiert auf der ResNet-18 Architektur und wurde mithilfe von PyTorch auf einem Emotionsdatensatz trainiert. Ziel war es, ein robustes Klassifikationsmodell zur Erkennung von 9 Emotionen in Gesichtern zu entwickeln.
+
+## Einsatzbereiche und Einschränkungen
+
+**Verwendungszweck:**
+
+- Klassifizierung von Emotionen zu Bildungs-, Analyse- oder Demonstrationszwecken
+- Kann in Gradio-Anwendungen zur Emotionserkennung auf hochgeladenen Gesichtern genutzt werden
+
+**Einschränkungen:**
+
+- Nicht geeignet für Emotionen außerhalb der 9 trainierten Klassen
+- Erkennung kann bei schlechten Lichtverhältnissen, verdeckten Gesichtern oder untypischen Gesichtsausdrücken ungenau sein
+- Modell benötigt klare, frontal aufgenommene Gesichter für optimale Ergebnisse
+
+## Trainings- und Evaluationsdaten
+
+Das Modell wurde auf einem privaten Emotionsdatensatz mit **64 864** Bildern in **9 Klassen** trainiert.
+
+**Klassen:**
+
+- happy
+- sad
+- angry
+- surprised
+- fear
+- disgust
+- neutral
+- contempt
+- unknown
+
+**Aufteilung des Datensatzes:**
+
+- 80 % Training
+- 20 % Validierung (interner Split)
+
+## Training der Hyperparameter
+
+Die folgenden Hyperparameter wurden beim Training verwendet:
+
+| Hyperparameter        | Wert           |
+|-----------------------|----------------|
+| Optimizer              | Adam           |
+| Learning Rate          | 0.0005 (mit ReduceLROnPlateau Scheduler) |
+| Batch Size             | 64             |
+| Loss Function          | CrossEntropyLoss |
+| Early Stopping         | nach 5 Epochen ohne Verbesserung |
+| Maximale Epochen       | 6              |
+| Eingabebildgröße       | 224 × 224 Pixel |
+
+## Training Resultate
+
+| Epoche | Train Loss | Train Accuracy | Val Loss | Val Accuracy |
+|-------|------------|----------------|----------|--------------|
+| 1     | 0.9685     | 65.72 %         | 0.9370   | 66.70 %      |
+| 2     | 0.7705     | 72.42 %         | 1.0514   | 62.30 %      |
+| 3     | 0.7409     | 73.08 %         | 1.0166   | 64.90 %      |
+| 4     | 0.6329     | 77.15 %         | 0.9834   | 65.70 %      |
+| 5     | 0.4704     | 83.40 %         | 0.8515   | 71.60 %      |
+| 6     | 0.3543     | 87.83 %         | 0.9220   | 70.80 %      |
+
+- **Bestes Validation Loss**: **0.8515**
+- **Bestes Validation Accuracy**: **71.60 %**
+
+---
+
+## Vergleich mit Zero-Shot-Modell (CLIP)
+
+Zur Einordnung der Leistung wurde das Modell mit einem Zero-Shot-Klassifikationsmodell `openai/clip-vit-base-patch32` verglichen. Beide Modelle wurden auf dem identischen Testset (5 000 Bilder) ausgewertet.
+
+### Zero-Shot Modell:
+
+- **Modell**: CLIP (ViT-Base, Patch-32)
+- **Aufgabe**: Zero-Shot Image Classification
+- **Keine Feinjustierung** – nutzt nur Text-Bild-Verständnis
+
+### Beobachtungen:
+
+- Das ResNet-18 Modell erzielt eine deutlich höhere Accuracy auf bekannten Emotionen und kann feine Unterschiede zwischen Emotionen besser erkennen.
+- Das CLIP-Modell zeigte gute Generalisierung auf bisher unbekannte Emotionen, hatte jedoch insgesamt eine geringere Genauigkeit.
+
+### Zero-Shot Ergebnisse:
+
+- **Accuracy**: 10.0 %
+- **Macro Avg F1-Score**: 7 %
+- **Weighted Avg F1-Score**: 5 %
+
+---
+
+## Framework Versionen
+
+| Bibliothek     | Version       |
+|----------------|---------------|
+| Transformers   | 4.52.2        |
+| PyTorch        | 2.6.0+cu124   |
+| Datasets       | 3.4.1         |
+| Tokenizers     | 0.21.1        |
+| scikit-learn   | 1.4.2         |
+| Matplotlib     | 3.8.4         |
+| Seaborn        | 0.13.2        |