Характеристики

Лицензия: Apache 2.0
Архитектура: siglip · dense
Базовая модель: siglip2-base-patch16-224
Библиотека: transformers
Опубликована: 9 мая 2025

Ссылки

Realistic-Gender-Classification

Классификация изображенийИзображение → label3 профессии

Модель классифицирует реалистичные портреты по категориям «female portrait» и «male portrait» для автоматической разметки и анализа изображений.

866скачиваний за 30 дней7лайковвеса обновлены10 мая 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

Realistic-Gender-Classification — модель prithivMLmods для бинарной классификации реалистичных портретов по категориям «female portrait» и «male portrait». Она дообучена на базе визуальной модели Google SigLIP 2 siglip2-base-patch16-224 и предназначена для анализа и автоматической разметки наборов изображений, а также для персонализации и медиааналитики.

Модель принимает изображения и выдаёт категорию портрета. В отчёте README приведены точность 97,06% и F1-оценки около 0,97 на тестовой выборке из 3200 изображений; эти показатели не гарантируют такого же качества на других данных. Модель обучалась на наборе реалистичных портретов, поэтому её пригодность для иных типов изображений не подтверждена. Лицензия — Apache-2.0.

Сценарии применения

автоматическая разметка портретов по категориям female и male
фильтрация коллекции портретов для подготовки датасета
подсчёт распределения категорий портретов в наборе изображений
классификация портретов для медиааналитики
персонализация визуального контента по категории портрета

Ограничения

Классификатор выдаёт только две категории портретов, female и male; его вывод не следует трактовать как подтверждённую гендерную идентичность человека. Приведённые метрики относятся к тестовой выборке README и не подтверждают качество на других типах изображений или популяциях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Realistic-Gender-Classification

Realistic-Gender-Classification is a binary image classification model based on google/siglip2-base-patch16-224, designed to classify gender from realistic human portrait images. It can be used in demographic analysis, personalization systems, and automated tagging in large-scale image datasets.

[!note] SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features https://arxiv.org/pdf/2502.14786

Classification Report:
                 precision    recall  f1-score   support

female portrait     0.9754    0.9656    0.9705      1600
  male portrait     0.9660    0.9756    0.9708      1600

       accuracy                         0.9706      3200
      macro avg     0.9707    0.9706    0.9706      3200
   weighted avg     0.9707    0.9706    0.9706      3200

Label Classes

The model distinguishes between the following portrait gender categories:

0: female portrait  
1: male portrait

Installation

pip install transformers torch pillow gradio

Example Inference Code

import gradio as gr
from transformers import AutoImageProcessor, SiglipForImageClassification
from PIL import Image
import torch

# Load model and processor
model_name = "prithivMLmods/Realistic-Gender-Classification"
model = SiglipForImageClassification.from_pretrained(model_name)
processor = AutoImageProcessor.from_pretrained(model_name)

# ID to label mapping
id2label = {
    "0": "female portrait",
    "1": "male portrait"
}

def classify_gender(image):
    image = Image.fromarray(image).convert("RGB")
    inputs = processor(images=image, return_tensors="pt")

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).squeeze().tolist()

    prediction = {id2label[str(i)]: round(probs[i], 3) for i in range(len(probs))}
    return prediction

# Gradio Interface
iface = gr.Interface(
    fn=classify_gender,
    inputs=gr.Image(type="numpy"),
    outputs=gr.Label(num_top_classes=2, label="Gender Classification"),
    title="Realistic-Gender-Classification",
    description="Upload a realistic portrait image to classify it as 'female portrait' or 'male portrait'."
)

if __name__ == "__main__":
    iface.launch()