File size: 2,358 Bytes
92c19de |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 |
---
language: en
tags:
- image-classification
- tensorflow
- keras
license: apache-2.0
datasets:
- cifar10
metrics:
- accuracy
---
# Nama Model Anda
## Deskripsi Model
Model ini adalah model klasifikasi gambar yang dilatih menggunakan dataset CIFAR-10. Model ini dapat mengklasifikasikan gambar ke dalam 10 kelas yang berbeda, termasuk pesawat, mobil, burung, kucing, rusa, anjing, katak, kuda, kapal, dan truk.
## Arsitektur Model
Model ini dibangun menggunakan TensorFlow dan Keras. Arsitektur model ini adalah Convolutional Neural Network (CNN) yang terdiri dari beberapa lapisan konvolusi, lapisan pooling, dan lapisan fully connected.
## Dataset
Model ini dilatih menggunakan dataset CIFAR-10, yang terdiri dari 60,000 gambar berwarna berukuran 32x32 piksel dalam 10 kelas, dengan 6,000 gambar per kelas. Dataset ini terbagi menjadi 50,000 gambar untuk pelatihan dan 10,000 gambar untuk pengujian.
## Metrik Evaluasi
Model ini dievaluasi menggunakan metrik akurasi. Berikut adalah hasil evaluasi model:
- **Akurasi Pelatihan:** 95%
- **Akurasi Pengujian:** 90%
## Penggunaan
Anda dapat menggunakan model ini untuk mengklasifikasikan gambar ke dalam salah satu dari 10 kelas yang didukung. Berikut adalah contoh kode untuk memuat dan menggunakan model ini:
```python
from transformers import TFAutoModel
import tensorflow as tf
import numpy as np
from tensorflow.keras.preprocessing import image
# Memuat model
model = TFAutoModel.from_pretrained("username/nama_model_anda")
# Fungsi untuk memuat dan memproses gambar
def load_and_preprocess_image(img_path, target_size=(32, 32)):
img = image.load_img(img_path, target_size=target_size)
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array = img_array / 255.0 # Normalisasi gambar
return img_array
# Fungsi untuk melakukan inferensi
def predict_image(model, img_path):
img_array = load_and_preprocess_image(img_path)
predictions = model.predict(img_array)
predicted_class = np.argmax(predictions, axis=1)[0]
confidence = np.max(predictions) * 100
return predicted_class, confidence
# Contoh penggunaan
img_path = 'path_to_your_image.jpg' # Ganti dengan path gambar Anda
predicted_class, confidence = predict_image(model, img_path)
print(f"Predicted class: {predicted_class}, Confidence: {confidence:.2f}%") |