fairface age image detection

提供商dima806
分类image-classification
许可证apache-2.0
下载量69
星标0

简介

FairFace Age Detection 是一款专注于人脸年龄预测的图像分类模型。与通用视觉模型不同，它在数据集构建上特别强调了族群多样性，旨在减少因人种差异导致的年龄估算偏差。该模型上手难度极低，非常适合开发者将其集成到用户画像分析、智能相册分类或简单的身份验证预筛场景中。如果你需要一个轻量级且对全球不同面孔都有较好鲁棒性的年龄检测方案，它是替代复杂深度学习框架的一个高效选择。

核心亮点

  • 专注于人脸年龄预测，具备跨族群的泛化能力
  • 有效降低人种偏差，提升全球用户识别精度
  • 适用场景广泛，涵盖用户画像与智能分类
  • Apache-2.0 协议，对商业集成非常友好

使用方法

安装依赖
# 安装 Hugging Face transformers
pip install transformers torch
SDK 使用
# 使用 transformers 加载模型
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("dima806/fairface_age_image_detection")
tokenizer = AutoTokenizer.from_pretrained("dima806/fairface_age_image_detection")

Hugging Face 下载

我们推荐使用命令行或者 Hugging Face Hub SDK 来进行模型的下载。

操作指引：在下载前，请先通过如下命令安装 huggingface_hub：

操作指引 
pip install -U huggingface_hub

命令行下载

下载完整模型库

下载完整模型库 
huggingface-cli download dima806/fairface_age_image_detection

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例）

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例） 
huggingface-cli download dima806/fairface_age_image_detection config.json --local-dir ./dir

更多命令行下载选项，可参见官方文档

SDK 下载

SDK 下载 
# 模型下载
from huggingface_hub import snapshot_download
model_dir = snapshot_download('dima806/fairface_age_image_detection')

Git 下载

请确保 lfs 已经被正确安装

Git 下载 
git lfs install
git clone https://huggingface.co/dima806/fairface_age_image_detection

如果您希望跳过 lfs 大文件下载，可以使用如下命令

跳过 LFS 
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/dima806/fairface_age_image_detection

模型文件托管在 Hugging Face Hub，使用 HF CLI / SDK / Git 直接下载，不经过本站。

PyTorch / Transformers 使用

安装 Transformers

安装 Transformers 
pip install -U transformers torch

模型加载和推理

模型加载和推理 
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained('dima806/fairface_age_image_detection')
tokenizer = AutoTokenizer.from_pretrained('dima806/fairface_age_image_detection')

模型下载

我们推荐使用命令行或者 ModelScope SDK 来进行模型的下载。

操作指引：在下载前，请先通过如下命令安装 ModelScope：

操作指引 
pip install modelscope

命令行下载

下载完整模型库

下载完整模型库 
modelscope download --model dima806/fairface_age_image_detection

下载单个文件到指定本地文件夹（以下载 README.md 到当前路径下 dir 目录为例）

下载单个文件到指定本地文件夹（以下载 README.md 到当前路径下 dir 目录为例） 
modelscope download --model dima806/fairface_age_image_detection README.md --local_dir ./dir

更多更丰富的命令行下载选项，可参见具体文档

SDK 下载

SDK 下载 
# 模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('dima806/fairface_age_image_detection')

Git 下载

请确保 lfs 已经被正确安装

Git 下载 
git lfs install
git clone https://www.modelscope.cn/dima806/fairface_age_image_detection.git

如果您希望跳过 lfs 大文件下载，可以使用如下命令

跳过 LFS 
GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/dima806/fairface_age_image_detection.git

ModelScope 模型页直接下载模型文件；无需将模型文件放在本站服务器。

Notebook 快速开发

下载并安装 ModelScope library

下载并安装 ModelScope library 
pip install "modelscope[audio,cv,nlp,multi-modal,science]" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

模型加载和推理

模型加载和推理 
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

p = pipeline('text-generation', 'dima806/fairface_age_image_detection')

完整文档

来源: HuggingFace

---
license: apache-2.0
metrics:

  • accuracy

  • f1

base_model:
  • google/vit-base-patch16-224-in21k

pipeline_tag: image-classification
library_name: transformers
datasets:
  • nateraw/fairface

---
Detects age group with about 59% accuracy based on an image.

See https://www.kaggle.com/code/dima806/age-group-image-classification-vit for details.

!image/png

code
Classification report:

precision    recall  f1-score   support


0-2     0.7803    0.7500    0.7649       180
         3-9     0.7998    0.7998    0.7998      1249
       10-19     0.5361    0.4236    0.4733      1086
       20-29     0.6402    0.7221    0.6787      3026
       30-39     0.4935    0.5083    0.5008      2099
       40-49     0.4848    0.4386    0.4606      1238
       50-59     0.5000    0.4814    0.4905       725
       60-69     0.4497    0.4685    0.4589       286
more than 70     0.6897    0.1802    0.2857       111


accuracy                         0.5892     10000
   macro avg     0.5971    0.5303    0.5459     10000
weighted avg     0.5863    0.5892    0.5844     10000

查看官方来源