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:

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}%")

renaldidafa
/

cv-model