Классификация Повреждений Автомобилей
Модель ViT BEiT для определения типа повреждения кузова автомобиля по фотографии — 6 классов (трещина, царапина, спущенное колесо, вмятина, разбитое стекло, разбитая фара).
О сервисе
ML Классификация Повреждений Автомобилей 1. Описание модели Краткое описание: Модель на основе ViT-BEiT для классификации типа повреждения автомобиля по фотографии — 6 классов повреждений, применяется в страховании, осмотре ТС и б/у рынках. Полное описание: Модель Car Damage Prediction построена на архитектуре ViT BEiT (Bidirectional Encoder representation from Image Transformers) и обучена классифицировать повреждения автомобилей на шесть категорий : Код Класс 0 Crack (трещина) 1 Scratch (царапина) 2 Tire Flat (спущенное колесо) 3 Dent (вмятина) 4 Glass Shatter (разбитое стекло) 5 Lamp Broken (разбитая фара) Ключевые возможности Точная классификация по шести категориям повреждений автомобиля Бесшовная интеграция в различные приложения Оптимизированная обработка изображений на основе transformer-архитектуры Небольшой размер модели — 85.8M параметров (формат SafeTensors F32) Области применения Обработка страховых заявлений — автоматизированная оценка ущерба для ускорения рассмотрения заявок Сервисы технического осмотра — автоматическое обнаружение повреждений при инспекции автомобиля Рынки подержанных автомобилей — детальная оценка состояния кузова по фотографии Использование Вариант 1 (прямой вызов модели): import numpy as np from PIL import Image from transformers import AutoImageProcessor, AutoModelForImageClassification processor = AutoImageProcessor.from_pretrained("beingamit99/car_damage_detection") model = AutoModelForImageClassification.from_pretrained("beingamit99/car_damage_detection") image = Image.open("car_photo.jpg") inputs = processor(images=image, return_tensors="pt") outputs = model(**inputs) logits = outputs.logits.detach().cpu().numpy() predicted_class_id = np.argmax(logits) predicted_proba = np.max(logits) label_map = model.config.id2label predicted_class_name = label_map[predicted_class_id] print(f"Predicted class: {predicted_class_name} (score: {predicted_proba:.4f})") Вариант 2 (pipeline): from transformers import pipeline pipe = pipeline("image-classification", model="beingamit99/car_damage_detection") result = pipe("car_photo.jpg") print(result) Источник: https://qubu.ai/models/ml-klassifikatsiya-povrezhdenii-avtomobilei License: MIT
