Presonance EmoSet ensemble
ансамбль для распознавания эмоций по картинкам
2 мин чтенияобновлено
Модель определяет, какую из восьми эмоций вызывает изображение: веселье, благоговение, удовлетворение, возбуждение, злость, отвращение, страх или грусть. В основе лежит ансамбль (объединение нескольких нейросетей для повышения точности) из четырёх полностью дообученных визуальных энкодеров на библиотеке timm: OpenAI CLIP-L14, BAAI EVA02-L14, Meta PE-Core-L14 и Google SigLIP2-giant. В отличие от простых классификаторов с замороженными весами, здесь авторы адаптировали все четыре базовые архитектуры под датасет EmoSet. Решение пригодится разработчикам систем модерации, анализа визуального контента и рекомендательных сервисов.
Ключевые особенности
- Объединяет четыре мощных энкодера (CLIP-L14, EVA02-L14, PE-Core-L14 и SigLIP2-giant) с полным файнтюнингом.
- Классифицирует изображения строго по 8 категориям эмоций (amusement, awe, contentment, excitement, anger, disgust, fear, sadness).
- Модели запускаются последовательно — для работы нужна CUDA-видеокарта, способная вместить самый крупный компонент ансамбля.
- Веса занимают около 4.17 ГБ, а инференс реализован через кастомный скрипт
predict.pyв репозитории.
Что можно сделать
- Автоматически тегировать фотоархивы и медиабиблиотеки по эмоциональному окрасу кадров.
- Использовать для аналитики визуального контента в соцсетях и оценки эмоционального отклика на иллюстрации.
- Встроить в пайплайны фильтрации или сортировки изображений в связке с другими
timm-моделями.
Пример
from huggingface_hub import snapshot_download
import importlib.util, torch
folder = snapshot_download('saa938/presonance-emoset-ensemble')
spec = importlib.util.spec_from_file_location('emoset_predict', folder + '/predict.py')
module = importlib.util.module_from_spec(spec)
spec.loader.exec_module(module)
model = module.EmoSetEnsemble(folder, device='cuda')
print(model.predict(['your_image.jpg'], batch_size=64))
Подробнее
Точность (accuracy) на официальном тестовом сплите EmoSet (17 716 изображений): 87.1077% (против 85.1095% у релиза PerceptCLIP при повторном прогоне на тех же данных).При удалении 229 дубликатов из выборки точность составляет 87.0189% на 17 487 картинках.
Ограничения: модель оценивает категории эмоций из датасета, а не реальные чувства конкретного человека или активность мозга.
Лицензия модификаций: Apache-2.0 (базовые модели сохраняют свои исходные лицензии).










Комментарии