LoslegenKostenlos loslegen

Lebenslauf optimieren: Modellklassen

In dieser Übung lädst du das vorab trainierte Modell und passt die Ausgabe an, damit es eine neue Klassifizierung von Automodelltypen aus dem Stanford Cars-Datensatz anstatt der 1000 Klassen aus dem ursprünglichen ImageNet-Training verarbeiten kann. Der Datensatz hat Bilder von Autos mit Beschriftungen.

Der Datensatz wurde geladen (dataset), genauso wie „ AutoModelForImageClassification ” von transformers. Der Datensatz wurde so gefiltert, dass drei Modelltypen enthalten sind.

Diese Übung ist Teil des Kurses

Multimodale Modelle mit Hugging Face

Kurs anzeigen

Anleitung zur Übung

  • Hol dir die neuen Labelnamen aus dem Datensatz.
  • Füge beim Laden des Modells die neue Zuordnung „ id2label “ hinzu.
  • Füge die passende Zuordnung „ label2id “ hinzu.
  • Füge das richtige Flag hinzu, um die Anzahl der Klassen zu ändern.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Obtain the new label names from the dataset
labels = dataset["train"].features["____"].____

label2id, id2label = dict(), dict()
for i, label in enumerate(labels):
    label2id[label] = str(i)
    id2label[str(i)] = label

model = AutoModelForImageClassification.from_pretrained(
    "google/mobilenet_v2_1.0_224",
    num_labels=len(labels),
    # Add the id2label mapping
    id2label=____,
    # Add the corresponding label2id mapping
    label2id=____,
    # Add the required flag to change the number of classes
    ignore_mismatched_sizes=____
)
Code bearbeiten und ausführen