Другоеv3loc1ty
Kafwain Produce Freshness (ViT)
свежесть фруктов и овощей по одному фото
1 мин чтенияобновлено
ViT-Base (patch 16) на 85.8M параметров, дообученный от google/vit-base-patch16-224. Автор — команда Kafwain, студенческого стартапа из Дохи (Катар), который связывает местных фермеров с ресторанами через единую доставку. Модель — прототип: на пункте приёмки сотрудник фотографирует товар, а классификатор подсказывает, не испорчен ли он.
🌗 Ключевые особенности
- 🌑 Вход — одно RGB-изображение 224×224, выход — вероятность по каждому классу.
- ⭐ Метка объединяет тип продукта и состояние: свежий или испорченный.
- ✅ 99.68% accuracy на eval-наборе — но автор прямо называет это верхней границей, а не реальной точностью.
- 🔥 Рекомендуется порог уверенности (стартово 0.80): сомнительные снимки уходят человеку на проверку.
- 💻 Запускается через
pipelineиз transformers, лицензия Apache-2.0. - 👀 Задумана как помощник: финальное «принять / отклонить» всегда за сотрудником.
💻 Пример
from transformers import pipeline
classifier = pipeline("image-classification", model="v3loc1ty/kafwain-produce-freshness-vit")
print(classifier("produce_photo.jpg"))Подробнее
Файнтюн через HF Trainer: 4 эпохи, lr 5e-05, batch 32, AdamW, mixed precision; итог — loss 0.0123.Оценка оптимистична: eval-снимки из тех же источников и условий, что и train, возможны дубликаты одного объекта.
Список меток в карточке не заполнен — какие именно продукты поддерживаются, из README неясно.
На фото с ящиками, тенями и смешанным товаром точность будет ниже; на собственных снимках приёмки модель ещё не тестировали.
Не подходит для решений о безопасности еды и для автоматического отказа фермерам.
Комментарии