---
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}%")