ML Классификация Повреждений Автомобилей

1. Описание модели

Краткое описание:
Модель на основе ViT-BEiT для классификации типа повреждения автомобиля по фотографии — 6 классов повреждений, применяется в страховании, осмотре ТС и б/у рынках.

Полное описание:

Модель Car Damage Prediction построена на архитектуре ViT BEiT (Bidirectional Encoder representation from Image Transformers) и обучена классифицировать повреждения автомобилей на шесть категорий:

Ключевые возможности

• Точная классификация по шести категориям повреждений автомобиля

• Бесшовная интеграция в различные приложения

• Оптимизированная обработка изображений на основе transformer-архитектуры

• Небольшой размер модели — 85.8M параметров (формат SafeTensors F32)

Области применения

1. Обработка страховых заявлений — автоматизированная оценка ущерба для ускорения рассмотрения заявок

2. Сервисы технического осмотра — автоматическое обнаружение повреждений при инспекции автомобиля

3. Рынки подержанных автомобилей — детальная оценка состояния кузова по фотографии

Использование

Вариант 1 (прямой вызов модели):

import numpy as np
from PIL import Image
from transformers import AutoImageProcessor, AutoModelForImageClassification

processor = AutoImageProcessor.from_pretrained("beingamit99/car_damage_detection")
model = AutoModelForImageClassification.from_pretrained("beingamit99/car_damage_detection")

image = Image.open("car_photo.jpg")
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits.detach().cpu().numpy()
predicted_class_id = np.argmax(logits)
predicted_proba = np.max(logits)
label_map = model.config.id2label
predicted_class_name = label_map[predicted_class_id]
print(f"Predicted class: {predicted_class_name} (score: {predicted_proba:.4f})")

Вариант 2 (pipeline):

from transformers import pipeline

pipe = pipeline("image-classification", model="beingamit99/car_damage_detection")
result = pipe("car_photo.jpg")
print(result)