/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224-in21k
Опубликована
6 окт 2026

my_awesome_food_model

Классификация изображенийИзображение → label

Модель ViT, дообученная для классификации изображений еды по 101 категории Food-101.

3 227скачиваний за 30 дней0лайковвеса обновлены7 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Driw0x создал эту модель как учебное упражнение по настройке моделей Transformers. Это Vision Transformer ViT для классификации изображений еды, дообученный на основе google/vit-base-patch16-224-in21k. Модель содержит 113,2 млн параметров и распознаёт 101 категорию Food-101.

Модель принимает изображение и предсказывает для него одну из категорий еды. Её можно использовать для экспериментов с классификацией изображений, изучения тонкой настройки ViT и демонстраций на наборе Food-101. Обучение проводилось на 5 000 изображениях из ethz/food101: 4 000 использовались для обучения и 1 000 для оценки. Лицензия — Apache-2.0.

Модель ограничена категориями Food-101; качество может снижаться на необычных ракурсах, некачественных изображениях, смешанных блюдах и изображениях еды вне обучающего набора. Оценочная выборка взята из того же поднабора, что и обучающие данные, поэтому результаты не являются независимым итоговым тестом. Модель не проверялась для производственного или критически важного применения.

Сценарии применения

  • Классификация фотографий блюд по категориям Food-101
  • Распознавание типа блюда на изображении
  • Обучение тонкой настройке ViT для классификации изображений
  • Эксперименты с классификацией еды на наборе Food-101

Ограничения

Модель распознаёт только 101 категорию Food-101, обучена на подмножестве из 5 000 изображений, а оценка на производной от него выборке не является независимым бенчмарком. Качество может снижаться на необычных ракурсах, некачественных изображениях, смешанных блюдах и данных вне распределения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViT fine-tuned on Food-101 for Image Classification

Model Description

This model is a fine-tuned version of google/vit-base-patch16-224-in21k for food image classification.

It was fine-tuned on a 5,000-image subset of the Food-101 training split to classify images into the 101 Food-101 categories.

The model was created as a practical exercise while following the Hugging Face LLM Course.

  • Developed by: Driw0x
  • Model type: Vision Transformer (ViT)
  • Base model: google/vit-base-patch16-224-in21k
  • Task: Image classification
  • Number of labels: 101

Training and Evaluation Data

The model was fine-tuned on:

ethz/food101

The training notebook loads:

food = load_dataset("ethz/food101", split="train[:5000]")
food = food.train_test_split(test_size=0.2)

This produces an 80/20 split of the selected 5,000 examples:

  • 4,000 examples for training;
  • 1,000 examples for evaluation.

The evaluation split is created from the same 5,000-example subset and is used during model development, so it should not be considered an untouched final benchmark.

Preprocessing

Images are processed with the image processor associated with the base ViT checkpoint.

The training transformation applies a random resized crop, converts the image to a tensor, and normalizes it with the model image mean and standard deviation:

normalize = Normalize(
    mean=image_processor.image_mean,
    std=image_processor.image_std,
)

_transforms = Compose([
    RandomResizedCrop(size),
    ToTensor(),
    normalize,
])

Batch construction uses DefaultDataCollator.

Training Procedure

The model was fine-tuned with the Hugging Face Trainer API.

Training Hyperparameters

HyperparameterValue
Learning rate5e-5
Train batch size16
Evaluation batch size16
Gradient accumulation steps4
Effective train batch size64
Number of epochs3
Seed42
Evaluation strategyepoch
Save strategyepoch
LR schedulerlinear
OptimizerAdamW (ADAMW_TORCH_FUSED)
Best-model metricaccuracy

Accuracy was computed with the Hugging Face evaluate library.

Training Results

EpochTraining LossValidation LossAccuracy
12.70862.50680.818
21.84941.80220.876
31.62241.62420.896

Final reported evaluation results:

  • Validation loss: 1.6242
  • Accuracy: 0.896

Usage

from PIL import Image
from transformers import pipeline

classifier = pipeline(
    "image-classification",
    model="Driw0x/my_awesome_food_model",
)

image = Image.open("food.jpg")
print(classifier(image))

Direct Inference

import torch
from PIL import Image
from transformers import AutoImageProcessor, AutoModelForImageClassification

model_id = "Driw0x/my_awesome_food_model"

processor = AutoImageProcessor.from_pretrained(model_id)
model = AutoModelForImageClassification.from_pretrained(model_id)

image = Image.open("food.jpg").convert("RGB")
inputs = processor(image, return_tensors="pt")

with torch.no_grad():
    logits = model(**inputs).logits

predicted_id = logits.argmax(-1).item()
print(model.config.id2label[predicted_id])

Intended Uses

This model is primarily intended for:

  • learning image classification with Transformers;
  • experimenting with ViT fine-tuning;
  • reproducing a Hugging Face image-classification workflow;
  • educational demonstrations on Food-101.

Limitations

Important limitations include:

  • training used only 5,000 images rather than the complete Food-101 training set;
  • the evaluation split was derived from the same selected subset;
  • the model only predicts the 101 Food-101 categories;
  • performance may degrade on unusual viewpoints, low-quality images, mixed dishes, or out-of-distribution food images;
  • biases and limitations inherited from the base model and training data may remain.

This model was created as a course exercise and has not been validated for production or high-stakes use.

Framework Versions

  • Transformers 5.18.0
  • PyTorch 2.11.0+cu130
  • Datasets 4.8.5
  • Tokenizers 0.23.2

Training Source

The complete training procedure is available in:

Driw0x/hf-ai-courses

Notebook:

llm-course/1-transformer-models/notebooks/image_classification.ipynb

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTForImageClassification
Ревизия весов
3928c27

0 моделей