Определение возраста и пола по фото лица

О сервисе

ViT Предсказание возраста и пола: Vision Transformer для анализа лиц Модель Vision Transformer для одновременного определения возраста и пола, достигающая 94,3% точности определения пола и 4,5 года MAE для возраста на датасете UTKFace. Быстрое использование from model import predict_age_gender result = predict_age_gender("your_image.jpg") print(f"Возраст: {result['age']}, Пол: {result['gender']}") Важно: Стандартный pipeline() из transformers возвращает LABEL_0 / LABEL_1 и не подходит. Используйте хелпер-функции из model.py . Формат вывода { "age": 25, "gender": "Female", "gender_confidence": 0.873, "gender_probability_male": 0.127, "gender_probability_female": 0.873, "label": "25 years, Female", "score": 0.873 } Производительность модели Метрика Значение Датасет Точность определения пола 94,3% UTKFace MAE возраста 4,5 года UTKFace Архитектура ViT-Base + Dual Head 768→256→64→1 Параметров 86,8M Оптимизирована Скорость инференса ~50мс/изображение CPU Точность по возрастным группам Группа Точность пола Взрослые 21–60 лет 94,3% Молодые взрослые 16–30 лет 92,1% Подростки 13–20 лет 89,7% Дети 5–12 лет 78,4% Пожилые 60+ лет 87,2% Технические детали Базовая модель : google/vit-base-patch16-224 (Vision Transformer) Входное разрешение : 224×224 RGB Архитектура : Двухголовая — регрессия возраста + классификация пола Обучающий датасет : UTKFace (23 687 изображений) Обучение : 15 эпох, AdamW, learning rate 2e-5 Области применения Модерация контента from model import predict_age_gender def moderate_content(image_path): result = predict_age_gender(image_path) if result['age'] < 18: return f"Обнаружен несовершеннолетний ({result['age']} лет) — контент отправлен на проверку" return f"Контент одобрен: {result['age']} лет, {result['gender']}" Маркетинговая аналитика from model import predict_age_gender result = predict_age_gender("customer_photo.jpg") print(f"Возраст: {result['age']}, Пол: {result['gender']}, Уверенность: {result['gender_confidence']:.1%}") Верификация возраста from model import predict_age_gender def verify_age(image_path, min_age=18): result = predict_age_gender(image_path) if result['gender_confidence'] < 0.7: return "Предоставьте более чёткое изображение" if result['age'] >= min_age: return f"Верифицировано: {result['age']} лет" return f"Верификация не пройдена: {result['age']} лет" Рекомендации Оптимальные условия Лучшие результаты: взрослые 16–60 лет Качество изображения: чёткое, хорошо освещённое лицо в анфас Известные ограничения Дети (0–12 лет): сниженная точность Пожилые (70+): большая дисперсия предсказаний Плохие условия: слабое освещение, экстремальные углы, перекрытия Лицензия Apache 2.0 — коммерческое использование разрешено с указанием авторства. Источник: https://qubu.ai/models/ml-opredelenie-vozrasta-i-pola-po-foto-litsa-k0cr2t License: MIT