README.md

---
tags:
- transformers
- image-classification
widget:
- src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg
  example_title: Tiger
- src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/teapot.jpg
  example_title: Teapot
- src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/palace.jpg
  example_title: Palace
datasets:
- Clemylia/Orange-ou-tomate
---

# 🤖 Fiche Modèle : `Two-fruita-classify`

![Fruita](http://www.image-heberg.fr/files/17607996403778257739.jpg)

## 🏷️ Informations Générales

| Catégorie | Valeur |
| :--- | :--- |
| **Auteure** | Clemylia (Hugging Face : `Clemylia`) |
| **Version** | v1.0 |
| **Type de Modèle** | Classification d'Images (Vision par Ordinateur) |
| **Tâche** | Classification Binaire |
| **Classification** | 🍅 Tomate / 🍊 Orange |
| **Publié le** | \[*18 octobre 2025*] |
| **mes Modèles Similaires** | \[*Detia-mya (chiens et chats) - Agna-old (enfants de moins de 8 ans et de plus de 8 ans *] |
| **Framework** | \[*Pytorch*] |

## ✨ Aperçu

Le modèle **Two-fruita-classify** est un classificateur d'images conçu spécifiquement pour la **classification binaire** de fruits : **Tomates** 🍅 ou **Oranges** 🍊.

Idéal pour les applications de tri automatisé, d'inventaire de produits frais, ou simplement pour un projet ludique de reconnaissance d'images.

### 🎯 Cas d'Usage Principal

  * Différenciation rapide et précise entre une tomate et une orange à partir d'une image.

## 🚀 Utilisation du Modèle (Inférence)

Vous pouvez utiliser ce modèle directement via la bibliothèque `transformers` de Hugging Face.

### 💻 1. Utilisation avec le `Pipeline` (Recommandé)

C'est la méthode la plus simple pour commencer l'inférence.

```python
from transformers import pipeline

# Initialisation du pipeline de classification d'images
classifier = pipeline("image-classification", model="Clemylia/Two-fruita-classify")

# Exemple avec un chemin local ou une URL d'image
image_path = "chemin/vers/votre/image_de_fruit.jpg" 

# Exécution de l'inférence
result = classifier(image_path)

# Affichage du résultat
# Le résultat sera une liste de dictionnaires avec le label et le score
print(result) 
```

**Exemple de Sortie:**

```json
[
  {
    "label": "Tomate 🍅",
    "score": 0.9987
  }
]
```

*OU*

```json
[
  {
    "label": "Orange 🍊",
    "score": 0.9992
  }
]
```

### 🧠 2. Utilisation Manuelle (Pour un Contrôle Total)

Pour les utilisateurs expérimentés nécessitant une intégration plus poussée :

```python
from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image

# 1. Charger le processeur d'image et le modèle
model_name = "Clemylia/Two-fruita-classify"
image_processor = AutoImageProcessor.from_pretrained(model_name)
model = AutoModelForImageClassification.from_pretrained(model_name)

# 2. Charger et préparer l'image (exemple avec PIL)
image = Image.open("chemin/vers/votre/image_de_fruit.jpg") 

# 3. Prétraitement de l'image
inputs = image_processor(image, return_tensors="pt")

# 4. Inférence
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()

# 5. Interprétation du résultat
predicted_label = model.config.id2label[predicted_class_idx]

print(f"Prédiction: {predicted_label}")
```

## 📊 Métriques et Évaluation

| Métrique | Valeur | Commentaires |
| :--- | :--- | :--- |
| **Précision (Tomate 🍅)** | \[*90*]% | Pourcentage de vraies tomates correctement identifiées. |
| **Précision (Orange 🍊)** | \[*90*]% | Pourcentage de vraies oranges correctement identifiées. |

le modèle a été entraîné sur la dataset (Clemylia/Orange-ou-tomate),
contenant des images de tomates et d'oranges. 

## 🛠️ Détails d'Entraînement

### 🖼️ Jeu de Données (Dataset)

  * **Nom :** \[*Clemylia/Orange-ou-tomate*]
  * **Source :** \[*Google*]
  * **Taille :** \[*22 images*]
  * **Répartition :** \[* 10 tomates/12 oranges*]

## 👩‍💻 Qui suis-je ?

Bonjour ! Je suis Clemylia 👋, une développeuse d'IA passionnée de 18 ans. Je me distingue par une approche créative et originale : la majorité de mes 34 modèles sont développés from scratch. Seuls mes modèles de classification d'images (comme celui-ci) sont issus d'un fine-tuning. Mon objectif est de créer des solutions d'IA à la fois performantes et accessibles. N'hésitez pas à me suivre et à contribuer à mes projets !
-----

**Un grand merci de votre intérêt pour Two-fruita-classify \!** 🙏
N'oubliez pas de laisser une étoile ⭐️ si ce modèle vous est utile.