|
|
--- |
|
|
library_name: transformers |
|
|
license: apache-2.0 |
|
|
base_model: google/vit-base-patch16-224 |
|
|
tags: |
|
|
- image-classification |
|
|
- food-classification |
|
|
- generated_from_trainer |
|
|
datasets: |
|
|
- imagefolder |
|
|
metrics: |
|
|
- accuracy |
|
|
model-index: |
|
|
- name: vit-food-classification-chrisis2 |
|
|
results: |
|
|
- task: |
|
|
name: Image Classification |
|
|
type: image-classification |
|
|
dataset: |
|
|
name: food-classification |
|
|
type: imagefolder |
|
|
config: default |
|
|
split: train |
|
|
args: default |
|
|
metrics: |
|
|
- name: Accuracy |
|
|
type: accuracy |
|
|
value: 0.9262981574539364 |
|
|
--- |
|
|
|
|
|
<!-- This model card has been generated automatically according to the information the Trainer had access to. You |
|
|
should probably proofread and complete it, then remove this comment. --> |
|
|
|
|
|
# vit-food-classification-chrisis2 |
|
|
|
|
|
Dieses Modell ist eine feinjustierte Version von [google/vit-base-patch16-224](https://huggingface.co/google/vit-base-patch16-224) für den Datensatz "food-classification". |
|
|
Es erzielt die folgenden Ergebnisse in der Auswertungsmenge: |
|
|
- Loss: 0.2449 |
|
|
- Accuracy: 0.9263 |
|
|
|
|
|
## Modell Beschreibung |
|
|
|
|
|
Das Modell basiert auf der Vision Transformer (ViT) Architektur und wurde mithilfe der Hugging Face Trainer API auf ca. 24 000 Bildern trainiert. |
|
|
Ziel war es, ein robustes Klassifikationsmodell für die Anwendung von Gerichten zu entwickeln. |
|
|
|
|
|
|
|
|
## Einsatzbereiche und Einschränkungen |
|
|
|
|
|
Verwendungszweck: |
|
|
|
|
|
- Klassifizierung von Lebensmitteln zu Bildungs-, Analyse- oder Demonstrationszwecken |
|
|
- Kann in Gradio-Anwendungen zur Klassifizierung von Gerichten einschliesslich der westlichen und vor allem indischen Küche verwendet werden |
|
|
|
|
|
Einschränkungen: |
|
|
|
|
|
- Nicht geeignet für ungewöhnliche oder gemischte Gerichte, die nicht im Trainingssatz enthalten sind. |
|
|
- Kann keine Zutaten, Kalorienwerte oder Portionsgrössen identifizieren, sondern nur das am besten passende Etikett |
|
|
|
|
|
|
|
|
## Trainings- und Evaluationsdaten |
|
|
|
|
|
Das Modell wurde auf einem öffentlichen Lebensmitteldatensatz von Kaggle.com mit rund **24 000 Bildern in 34 Klassen** trainiert. Jede Klasse umfasst ca. 700–800 Bilder. |
|
|
|
|
|
Aufteilung des Datensatzes: |
|
|
- 80 % Training |
|
|
- 10 % Validierung |
|
|
- 10 % Testdaten |
|
|
|
|
|
### Training der Hyperparameter |
|
|
|
|
|
Die folgenden Hyperparameter wurden beim Training verwendet: |
|
|
- learning_rate: 5e-05 |
|
|
- train_batch_size: 16 |
|
|
- eval_batch_size: 8 |
|
|
- seed: 42 |
|
|
- optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments |
|
|
- lr_scheduler_type: linear |
|
|
- num_epochs: 6 |
|
|
|
|
|
### Training Resultate |
|
|
|
|
|
| Training Loss | Epoch | Step | Validation Loss | Accuracy | |
|
|
|:-------------:|:-----:|:----:|:---------------:|:--------:| |
|
|
| 0.0983 | 1.0 | 1194 | 0.2300 | 0.9330 | |
|
|
| 0.0981 | 2.0 | 2388 | 0.2302 | 0.9359 | |
|
|
| 0.0873 | 3.0 | 3582 | 0.2302 | 0.9346 | |
|
|
| 0.1053 | 4.0 | 4776 | 0.2296 | 0.9372 | |
|
|
| 0.0879 | 5.0 | 5970 | 0.2294 | 0.9351 | |
|
|
| 0.0982 | 6.0 | 7164 | 0.2293 | 0.9355 | |
|
|
|
|
|
## Vergleich mit Zero-Shot-Modell (CLIP) |
|
|
|
|
|
Zur Einordnung der Leistung wurde das Modell mit einem Zero-Shot-Klassifikationsmodell [`openai/clip-vit-large-patch14`](https://huggingface.co/openai/clip-vit-large-patch14) verglichen. Beide Modelle wurden auf dem identischen Testset (2 388 Bilder) ausgewertet. |
|
|
|
|
|
**Zero-Shot Modell:** |
|
|
- Modell: CLIP (ViT-Large, Patch-14) |
|
|
- Aufgabe: `zero-shot-image-classification` |
|
|
- Keine Feinjustierung – nutzt nur Text-Bild-Verständnis |
|
|
|
|
|
### Beobachtungen |
|
|
|
|
|
- Das ViT-Modell erzielt konstant höhere Genauigkeit und klarere Top-1-Vorhersagen, besonders bei gut ausgeleuchteten, zentrierten Bildern. |
|
|
- Das CLIP-Modell zeigte gute Generalisierung, besonders bei uneindeutigen oder visuell komplexen Gerichten. |
|
|
- Während das ViT-Modell gezielt auf die Erkennung fester Klassen trainiert wurde, basiert CLIP auf einem allgemeinen Sprach-Bild-Verständnis und ordnet Bilder den semantisch passendsten Beschriftungen zu. |
|
|
|
|
|
### Zero-Shot Ergebnisse: |
|
|
|
|
|
- Accuracy: 0.8622 |
|
|
- Precision: 0.9058 |
|
|
- Recall: 0.8622 |
|
|
|
|
|
### Framework Versionen |
|
|
|
|
|
- Transformers 4.50.0 |
|
|
- Pytorch 2.6.0+cu124 |
|
|
- Datasets 3.4.1 |
|
|
- Tokenizers 0.21.1 |
|
|
|
