Классификатор зрелости бананов на основе ResNet18

Что умеет эта модель

Эта модель ResNet18 была дообучена методом трансферного обучения для четырехклассовой классификации зрелости бананов: перезрелые, спелые, гнилые и незрелые. Согласно отчетам, модель демонстрирует окончательную точность на отложенном тестовом наборе данных в 99,11%, при этом макро-средний F1-показатель и средневзвешенный F1-показатель равны 0,99. Этот результат указывает на высокую и хорошо сбалансированную прогностическую производительность по всем четырем категориям зрелости.

Как обучена модель

• Архитектура: ResNet18.

• Фреймворк: PyTorch.

Формат контрольной точки:

• Задача: Четырехклассовая классификация изображений.

• Стратегия обучения: Трансферное обучение с использованием инициализации ImageNet.

• Обработка дисбаланса классов: Коррекция с помощью взвешенной кросс-энтропии.

• Устройство обучения: GPU NVIDIA Tesla P100 (Kaggle).

Применение

Модель может быть использована для автоматической сортировки бананов, контроля качества в пищевой промышленности или в системах мониторинга свежести продуктов. Благодаря высокой точности, она обеспечивает надежное определение стадии зрелости, что полезно как для производителей, так и для розничных продавцов.

Обратите внимание: В оригинальном файле README.md есть незавершенный раздел "Performance Profile". Представленная информация о производительности основана на доступных данных.

Ссылки

sandhyapalaniappan/banana-ripeness-resnet18-v1 на Kaggle