/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Gemma
Архитектура
gemma4_unified · dense
Базовая модель
gemma-4-12b-it
Опубликована
3 июн 2026

Nigerian-food-recognition-v2

Изображение и текст → текст3 профессии

Зрительно-языковая модель Gemma 4 12B, дообученная для определения нигерийских блюд по изображениям.

162скачиваний за 30 дней0лайковвеса обновлены25 июн 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

Модель разработана автором репозитория yusasif и представляет собой дообученную с помощью LoRA зрительно-языковую модель Gemma 4 12B для распознавания нигерийской еды на изображениях. На вход она получает изображение блюда и может назвать видимые нигерийские блюда; обучение охватывало более 165 классов, включая супы, блюда из риса и фасоли, закуски, региональные блюда, фрукты и напитки. Архитектура — Gemma4UnifiedForConditionalGeneration; веса опубликованы в формате safetensors. В README упоминаются обучение с 4-битной загрузкой базовой модели и возможность 8-битного квантования для обслуживания, а карточка описывает вариант v2 на 12B параметров.

Модель предназначена для классификации и описания нигерийских блюд по фотографиям, например для пищевых каталогов или приложений, помогающих определить блюдо. Карточка указывает английский язык; модель обладает визуальным и разговорным интерфейсом. Лицензия — Gemma. Набор обучения содержит около 600 пар изображение–текст и 165+ классов, поэтому охват ограничен нигерийской кухней, а редкие или визуально похожие блюда могут распознаваться ошибочно.

Сценарии применения

  • определение нигерийского блюда по фотографии
  • распознавание супов и рагу нигерийской кухни
  • классификация нигерийской уличной еды
  • идентификация блюд из риса и фасоли на снимках
  • подпись к фотографии нигерийской еды

Ограничения

Обучение охватывало около 600 пар изображение–текст и более 165 классов нигерийской еды, поэтому качество за пределами этой кухни может быть ограниченным; похожие блюда могут распознаваться неверно.

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

nutrimama-vision

A Gemma 4 12B vision model finetuned to identify Nigerian foods from images.

Model

Base: unsloth/gemma-4-12b-it
HuggingFace: yusasif/nutrimama-vision (branch v2-12b-q8)
Task: Given a food image, name the exact Nigerian dish(es) visible.

The model is finetuned with LoRA (r=32) on vision and language layers using Unsloth for memory-efficient training. The final checkpoint is merged to float16 and optionally quantized to 8-bit for serving.

Dataset

~600 image-text pairs spanning 165+ Nigerian food classes — including:

  • Swallows: Eba, Iyan (pounded yam), Fufu, Amala, Tuwon Shinkafa, Tuwon Masara, Nni Ede
  • Soups & stews: Egusi, Ogbono, Efo Riro, Gbegiri, Ewedu, Afang, Edikang Ikong, Banga, Ofe Nsala, Okra, Bitterleaf, Ofe Oha, Miyan Taushe, and more
  • Rice dishes: Jollof rice, Ofada rice, Fried rice, Enugu Jollof rice
  • Beans: Ewa Aganyin, Akara, Moi Moi, Okpa, Kosai
  • Snacks & street food: Suya, Kilishi, Dodo, Dundun, Boli, Puff Puff, Kuli Kuli
  • Northern dishes: Dambun Shinkafa, Funbau, Miyan Geda, Kunun Aya, Kunun Tsamiya
  • Igbo specialties: Abacha, Nkwobi, Ofe Owerri, Ugba Ukpaka, Ukwa, Achicha Ede
  • Fruits & drinks: Agbalumo, Nono, Kunun Gyada

Images were collected from multiple dataset batches (nutrimama_dataset, nutrimama_dataset-1, nutrimama_dataset-2, nutrimama_dataset-3) and enriched with detailed Gemma-generated captions (finetune_dataset_gemma.json).

Training

SettingValue
Base modelunsloth/gemma-4-12b-it
LoRA rank32
LoRA alpha32
Target modulesall-linear (vision + language layers)
Epochs5
Learning rate1e-5
LR schedulercosine
Batch size1 × 8 grad accum = effective 8
Optimizeradamw_8bit
Precisionbfloat16
Max sequence length2048

Training was run on a single GPU using Unsloth's 4-bit quantized loading with gradient checkpointing.

Inference

from PIL import Image
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText

MODEL_PATH = "yusasif/nutrimama-vision"  # or local path to merged model

processor = AutoProcessor.from_pretrained(MODEL_PATH)
model = AutoModelForImageTextToText.from_pretrained(
    MODEL_PATH,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
model.eval()

image = Image.open("your_food_image.jpg").convert("RGB")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Identify the exact Nigerian food in this image by name."},
            {"type": "image", "image": image},
        ],
    }
]

input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(text=input_text, images=[image], return_tensors="pt").to("cuda")

with torch.no_grad():
    out = model.generate(
        **inputs,
        max_new_tokens=128,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        top_k=64,
    )

answer = processor.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(answer)

Serving (vLLM)

python gemma-vision.py  # starts an OpenAI-compatible API on port 8002

The server loads the v2-12b-q8 branch and exposes the model as gemma-4-finetuned.

Files

FileDescription
nutrimam.pyTraining script (12B model)
nutrimam_v2.pyTraining script (4B model)
gemma-vision.pyvLLM inference server
test_nutrimama.pyLocal inference test
dataset_download_registry.jsonPrimary image-caption dataset (~398 records)
finetune_dataset_gemma.jsonGemma-enriched captions (~202 records)
efficientnet_labels.jsonPer-image food class labels

Related Projects

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Репозиторий содержит только адаптер (LoRA/PEFT) без базовой модели.

Класс архитектуры
Gemma4UnifiedForConditionalGeneration
Ревизия весов
8c8c053

0 моделей