AutoModelForImageClassification și AutoImageProcessor aduc puterea arhitecturii Transformer în domeniul imaginilor (Vision Transformers – ViT), împărțind fotografiile în patch-uri 16×16 procesate similar tokenilor de text.
from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import torch
image = Image.open("fotografie_pisica.jpg")
processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")
model = AutoModelForImageClassification.from_pretrained("google/vit-base-patch16-224")
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
pred_id = outputs.logits.argmax(-1).item()
print("Eticheta detectata:", model.config.id2label[pred_id])Multimodalitate: Hugging Face normalizează lucrul cu imagini, audio și text sub aceeași paradigmă unificată.
Întrebări & Exemple practice:
AutoModelForImageClassification: Viziune Computerizată cu Vision Transformer (ViT)Ai o întrebare despre AutoModelForImageClassification: Viziune Computerizată cu Vision Transformer (ViT) sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.