/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Опубликована
7 июн 2025

vit-face-emotion-recognition

Классификация изображенийИзображение → label3 профессии

Модель ViT классифицирует фотографии лиц по семи категориям эмоций и подходит для анализа выражений на изображениях.

152скачиваний за 30 дней0лайковвеса обновлены7 июн 2025

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

jihedjabnoun/vit-face-emotion-recognition — дообученная модель Vision Transformer ViT для распознавания эмоций по фотографиям лиц. Она классифицирует изображение по семи категориям: гнев, отвращение, страх, радость, нейтральное выражение, грусть и удивление. Модель основана на google/vit-base-patch16-224, содержит 113,2 млн параметров и принимает изображения для классификации.

Модель обучена на объединённых наборах EmoSet, FER2013, RAF-DB и RAVDESS. В README сообщается точность 0,8295 и macro F1 0,8251 на валидационной выборке; эти показатели относятся к указанным данным и не гарантируют такую же точность на других изображениях. Для репозитория указана лицензия Apache 2.0.

Для лучших результатов нужны RGB-изображения с чётко видимым лицом и выражением. Возможны смещения, унаследованные от обучающих наборов, и различия качества для разных демографических групп. README предостерегает от наблюдения и мониторинга без надлежащего согласия и отмечает необходимость учитывать приватность при обработке лицевых изображений.

Сценарии применения

  • классификация выражения лица на фотографии
  • определение одной из семи эмоций на изображении
  • анализ распределения эмоций в наборе лицевых изображений
  • добавление метки эмоции к фотографии лица

Ограничения

Качество зависит от чёткости изображения и видимости лица; возможны различия точности между демографическими группами из-за смещений в обучающих данных. Следует учитывать приватность и получать надлежащее согласие при обработке лицевых изображений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vision Transformer for Face Emotion Recognition

Model Description

This model is a fine-tuned Vision Transformer (ViT) for facial emotion recognition. It can classify images into 7 different emotions: Anger, Disgust, Fear, Happiness, Neutral, Sadness, and Surprise.

Model Details

  • Model Type: Vision Transformer (ViT)
  • Base Model: google/vit-base-patch16-224
  • Task: Image Classification (Emotion Recognition)
  • Languages: Not applicable (image-based)
  • License: Apache 2.0

Training Data

The model was trained on a combination of four popular emotion recognition datasets:

  1. EmoSet: 21,420 training images, 3,780 validation images
  2. FER2013: 24,038 training images, 4,235 validation images
  3. RAF-DB: 13,038 training images, 2,301 validation images
  4. RAVDESS: 3,247 training images, 593 validation images

Total: 61,743 training images, 10,909 validation images

Emotion Distribution (Training Set):

  • Anger: 8,540 images
  • Disgust: 3,760 images
  • Fear: 7,661 images
  • Happiness: 14,395 images
  • Neutral: 10,114 images
  • Sadness: 10,350 images
  • Surprise: 6,923 images

Performance

The model achieves the following performance on the validation set:

  • Overall Accuracy: 0.8295
  • Macro F1-Score: 0.8251
  • Macro Precision: 0.8288
  • Macro Recall: 0.8222

Per-Emotion Performance:

EmotionPrecisionRecallF1-ScoreSupport
Anger0.8270.7990.8131570
Disgust0.8690.8350.852629
Fear0.7860.7430.7641374
Happiness0.9260.9140.9202579
Neutral0.7670.8200.7931738
Sadness0.7600.7980.7791851
Surprise0.8670.8460.8561168

Detailed Classification Report:

                precision    recall  f1-score   support

       Anger      0.827    0.799      0.813      1570
     Disgust      0.869    0.835      0.852       629
        Fear      0.786    0.743      0.764      1374
   Happiness      0.926    0.914      0.920      2579
     Neutral      0.767    0.820      0.793      1738
     Sadness      0.760    0.798      0.779      1851
    Surprise      0.867    0.846      0.856      1168

   macro avg      0.829    0.822      0.825     10909
weighted avg      0.831    0.829      0.830     10909

Usage

from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import torch

# Load model and processor
model = ViTForImageClassification.from_pretrained("jihedjabnoun/vit-face-emotion-recognition")
processor = ViTImageProcessor.from_pretrained("jihedjabnoun/vit-face-emotion-recognition")

# Load and process image
image = Image.open("path_to_your_image.jpg")
inputs = processor(images=image, return_tensors="pt")

# Make prediction
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits
    predicted_class_id = logits.argmax().item()

# Get emotion labels
emotions = ['Anger', 'Disgust', 'Fear', 'Happiness', 'Neutral', 'Sadness', 'Surprise']
predicted_emotion = emotions[predicted_class_id]

# Get confidence scores
probabilities = torch.nn.functional.softmax(logits, dim=-1)[0]
confidence = probabilities[predicted_class_id].item()

print(f"Predicted Emotion: {predicted_emotion}")
print(f"Confidence: {confidence:.3f}")

# Show all emotion probabilities
for i, emotion in enumerate(emotions):
    prob = probabilities[i].item()
    print(f"{emotion}: {prob:.3f}")

Training Procedure

Training Hyperparameters

  • Optimizer: AdamW
  • Learning Rate: 2e-5
  • Batch Size: 16 (training), 32 (evaluation)
  • Number of Epochs: 4
  • Weight Decay: 0.01
  • Warmup Steps: 500

Hardware

  • GPU: NVIDIA Tesla T4 (or similar)
  • Training Time: Approximately 2.5 hours

Limitations

  • The model may have biases inherited from the training datasets
  • Performance may vary across different demographic groups
  • Images should be clear facial expressions for best results
  • The model expects RGB images with faces prominently featured

Ethical Considerations

  • This model should not be used for surveillance or monitoring without proper consent
  • Be aware of potential biases in emotion recognition across different demographic groups
  • Consider privacy implications when processing facial images

Citation

If you use this model, please cite:

@misc{jihed-vit-emotion-2025,
  author = {Jihed Jabnoun},
  title = {Vision Transformer for Face Emotion Recognition},
  year = {2025},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/jihedjabnoun/vit-face-emotion-recognition}}
}

Model Card Contact

For questions or feedback about this model, please contact the model author through Hugging Face.

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
ec66715

0 моделей