Download model.py from Decoder24/Batik-Classification-Transformer-model: direct link, hf CLI and curl.
- Browser
- Download file 4.01 kB
-
https://huggingface.co/Decoder24/Batik-Classification-Transformer-model/resolve/main/model.py
- Command line
-
hf download hf://Decoder24/Batik-Classification-Transformer-model/model.py
-
curl -L -o model.py https://huggingface.co/Decoder24/Batik-Classification-Transformer-model/resolve/main/model.py
4.01 kB
| import sys | |
| from pathlib import Path | |
| # tambahkan parent project ke sys.path sehingga 'src' dapat diimport saat menjalankan skrip langsung | |
| sys.path.append(str(Path(__file__).resolve().parents[1])) | |
| import timm | |
| import torch | |
| from src import config # Kita import config untuk daftar model dan device | |
| def create_model(model_name: str, num_classes: int, pretrained: bool = True, dropout_rate: float = 0.1): | |
| """ | |
| Membuat model Computer Vision dari library timm. | |
| Args: | |
| model_name (str): Nama model yang akan dibuat (misal: 'vit_base_patch16_224'). | |
| num_classes (int): Jumlah kelas output (misal: 38 untuk batik). | |
| pretrained (bool): Apakah akan menggunakan bobot pre-trained ImageNet. | |
| dropout_rate (float): Dropout rate untuk regularization. | |
| Returns: | |
| torch.nn.Module: Model yang sudah dibuat. | |
| """ | |
| print(f"[Model] Membuat model: {model_name}...") | |
| try: | |
| # timm.create_model adalah fungsi ajaib: | |
| # 1. 'pretrained=True' akan otomatis men-download bobot ImageNet. | |
| # 2. 'num_classes=num_classes' akan otomatis MENGGANTI | |
| # layer klasifikasi terakhir (misal: 1000 kelas ImageNet) | |
| # dengan layer baru yang sesuai jumlah kelas kita (38 kelas). | |
| model = timm.create_model( | |
| model_name, | |
| pretrained=pretrained, | |
| num_classes=num_classes, | |
| drop_rate=dropout_rate # Tambah dropout untuk regularization | |
| ) | |
| return model | |
| except Exception as e: | |
| print(f"[Error] Gagal membuat model {model_name}: {e}") | |
| return None | |
| # --- Blok Pengujian (Sangat Direkomendasikan) --- | |
| # Kode ini HANYA akan berjalan jika Anda menjalankan file ini secara langsung | |
| # (misal: `python src/models.py`) | |
| if __name__ == "__main__": | |
| print("Menjalankan pengujian models.py...") | |
| # Kita butuh jumlah kelas untuk pengujian | |
| # Cara cepat: hitung folder di DATA_PATH dari config | |
| import os | |
| try: | |
| NUM_CLASSES = len(os.listdir(config.DATA_PATH)) | |
| print(f" > Ditemukan {NUM_CLASSES} kelas dari {config.DATA_PATH}") | |
| except FileNotFoundError: | |
| print(f" > Error: Folder data di {config.DATA_PATH} tidak ditemukan.") | |
| print(" > Menggunakan 38 sebagai jumlah kelas default untuk tes.") | |
| NUM_CLASSES = 38 # Default jika data path salah | |
| # Buat data input palsu (dummy input) untuk tes | |
| # Ukuran: [Batch, Channel, Height, Width] | |
| dummy_input = torch.randn( | |
| 2, 3, config.IMAGE_SIZE, config.IMAGE_SIZE | |
| ).to(config.DEVICE) | |
| print(f" > Membuat data input palsu ukuran: {dummy_input.shape}") | |
| print("-" * 30) | |
| # Loop dan uji setiap model dalam daftar di config.py | |
| for model_name_key in config.MODEL_LIST: | |
| # Ini adalah nama-nama model yang sebenarnya di library 'timm' | |
| model_arch_names = { | |
| "vit": "vit_base_patch16_224", | |
| "swin_transformer": "swin_base_patch4_window7_224", | |
| "convnext_tiny": "convnext_tiny" | |
| } | |
| model_name = model_arch_names.get(model_name_key) | |
| if model_name: | |
| model = create_model(model_name=model_name, num_classes=NUM_CLASSES) | |
| if model: | |
| model = model.to(config.DEVICE) | |
| model.eval() # Set ke mode evaluasi untuk tes | |
| # Coba lewatkan data palsu ke model | |
| with torch.no_grad(): | |
| output = model(dummy_input) | |
| print(f" > Tes Forward Pass... SUKSES") | |
| print(f" > Ukuran Output: {output.shape}") # Harusnya [2, 38] | |
| print(f" > Tes {model_name_key} selesai.") | |
| print("-" * 30) | |
| else: | |
| print(f"[Warning] Kunci model '{model_name_key}' di config.py tidak dikenali.") | |
| print("\n[Sukses] models.py berfungsi dengan baik!") |