Классификатор зрелости бананов на основе ResNet18
Классифицирует бананы по зрелости: перезрелые, спелые, гнилые, незрелые.
О сервисе
Что умеет эта модель Эта модель ResNet18 была дообучена методом трансферного обучения для четырехклассовой классификации зрелости бананов: перезрелые, спелые, гнилые и незрелые . Согласно отчетам, модель демонстрирует окончательную точность на отложенном тестовом наборе данных в 99,11%, при этом макро-средний F1-показатель и средневзвешенный F1-показатель равны 0,99. Этот результат указывает на высокую и хорошо сбалансированную прогностическую производительность по всем четырем категориям зрелости. Как обучена модель Архитектура: ResNet18. Фреймворк: PyTorch. Формат контрольной точки: Задача: Четырехклассовая классификация изображений. Стратегия обучения: Трансферное обучение с использованием инициализации ImageNet. Обработка дисбаланса классов: Коррекция с помощью взвешенной кросс-энтропии. Устройство обучения: GPU NVIDIA Tesla P100 (Kaggle). Применение Модель может быть использована для автоматической сортировки бананов, контроля качества в пищевой промышленности или в системах мониторинга свежести продуктов. Благодаря высокой точности, она обеспечивает надежное определение стадии зрелости, что полезно как для производителей, так и для розничных продавцов. Обратите внимание: В оригинальном файле README.md есть незавершенный раздел "Performance Profile". Представленная информация о производительности основана на доступных данных. Ссылки sandhyapalaniappan/banana-ripeness-resnet18-v1 на Kaggle Источник: https://qubu.ai/models/klassifikator-zrelosti-bananov-na-osnove-res-net18 License: MIT
