Nouri produce classifier

Это компактный image classifier на базе timm/mobilenetv3_small_100.lamb_in1k, обученный распознавать 30 видов сырых фруктов и овощей, распространённых на кухнях Катара. Модель работает как быстрый первый этап в Nouri — обучающей игре о питании для детей; рядом используется SmolVLM-распознаватель еды: SmolVLM2-2.2B на GPU и SmolVLM-500M на CPU.

🦾 Ключевые особенности

• 🦾 Всего 1,55M параметров — модель рассчитана на лёгкий инференс.
• 💯 Точность 96,2% на 1166 отложенных изображениях в 30 классах.
• 💥 CPU-латентность — 7,5 мс на одно изображение 224×224.
• 🥟 Классы — сырые фрукты и овощи: apple, banana, carrot, cucumber, okra, eggplant, pomegranate, mango, fig и другие.
• 🧘 Обучение: 5004 изображения, 6 эпох, AdamW + OneCycle, label smoothing 0.1, одна A10G через HF Jobs.
• ✅ В Nouri прогноз добавляется на тарелку только при confidence ≥ 0.6; детям показываются названия продуктов, без калорий и нутриентов.

🧘 Пример

import timm, torch
model = timm.create_model(
    "hf-hub:FaisalALMallah/nouri-produce-mobilenetv3",
    pretrained=True
)
# названия классов — в config.json → label_names

Подробнее

Валидация: 96,2% на 1166 отложенных изображениях, 30 классов.
Железо: CPU-инференс 7,5 мс на изображение 224×224; обучение — 775 с на HF Jobs a10g-small, около $0.25.
Ограничения: обучена на сырых продуктах, обычно с одним объектом; не для смешанных или приготовленных блюд и не для ближневосточных блюд вроде machboos или harees. На реальных тарелках точность ниже, чем на отложенной выборке. Не медицинский и не диетологический инструмент.