细粒度动物识别（8k类）模型介绍

本模型是对含有动物的图像进行标签识别，无需任何额外输入，输出动物的类别标签，目前已经覆盖了8K多类的细粒度的动物类别。

模型描述

模型采用resest101网络结构。

使用方式和范围

使用方式：

• 直接推理，对输入的图像，输入图像直接进行推理。

使用场景:

• 适合含有动物的图像进行动物标签识别，期望图像中动物占比不要过小。

代码范例:

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

aimal_recogitio= pipelie(
            Tasks.aimal_recogitio,
            model='damo/cv_resest101_aimal_recogitio')
result = aimal_recogitio('https://pailitao-image-recog.oss-c-zhagjiakou.aliyucs.com/mufa/img_data/maas_test_data/dog.pg')
prit(result)

训练数据

训练数据共约700w带有动物标签的数据。

模型训练

预处理

图像输入：resize到256*256，然后CeterCrop到224*224。

LR scheduler

初始LR为 0.0003，每隔10个epoch，lr调整为原来的1/4，共训练100个epoch。

数据评估及结果

通过收集线上的实际应用数据进行评测精度为72.1%。

细粒度动物识别（8k类）模型介绍 本模型是对含有动物的图像进行标签识别，无需任何额外输入，输出动物的类别标签，目前已经覆盖了8K多类的细粒度的动物类别。 模型描述 模型采用resnest101网络结构