Upload test-example

promotion_model.pt : EfficientNet 모델을 PyTorch로 학습한 결과
predict.py : 예시 분류 코드

model/predict.py

@@ -0,0 +1,61 @@
+import torch
+from efficientnet_pytorch import EfficientNet
+import torch.nn.functional as F
+
+# 모델 클래스 정의 및 모델 로드
+model_name = 'efficientnet-b0'  # 사용한 EfficientNet 모델의 이름에 맞게 수정
+model = EfficientNet.from_name(model_name)
+
+num_classes = 2
+model._fc = torch.nn.Linear(model._fc.in_features, num_classes)
+
+# 모델 가중치 로드
+model.load_state_dict(torch.load('promotion_model.pt', map_location=torch.device('cpu')))
+
+# 모델을 평가 모드로 설정
+model.eval()
+
+# 예제 데이터 (입력 데이터의 형태에 맞게 수정해야 합니다)
+# EfficientNet 모델에 입력되는 데이터는 224x224 크기의 이미지입니다.
+# 여기서는 임의의 데이터를 생성합니다.
+from PIL import Image
+from torchvision import transforms
+
+# 이미지 전처리
+preprocess = transforms.Compose([
+    transforms.Resize(224),
+    transforms.CenterCrop(224),
+    transforms.ToTensor(),
+    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+])
+
+# 예제 이미지 로드
+input_image = Image.open('fake_test.webp')  # 실제 이미지 경로로 수정
+# input_image = Image.open('real_test.jpg')
+
+input_tensor = preprocess(input_image)
+input_batch = input_tensor.unsqueeze(0)  # 배치 차원 추가
+
+# CUDA 사용 (GPU가 있는 경우)
+if torch.cuda.is_available():
+    model = model.to('cuda')
+    input_batch = input_batch.to('cuda')
+
+# 예측 수행
+with torch.no_grad():
+    output = model(input_batch)
+
+# 예측 결과 출력
+# print(output)
+
+probabilities = F.softmax(output, dim=1)
+
+# 예측 결과 출력
+# print(probabilities)
+
+# 가장 높은 확률을 가진 클래스 확인
+_, predicted_class = torch.max(probabilities, 1)
+
+# 예측 결과 출력
+print('Predicted class:')
+print('Fake' if predicted_class.item()==0 else 'Real')

model/promotion_model.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:743c9fa37ddb444c4692b7bea81b20c4f3c63e0b1ece9812a5e24895590301ab
+size 16335682