hugging-face-vision-trainer は何をしますか？
物体検出（D-FINE、RT-DETR v2、DETR、YOLOS）、画像分類（timmモデル — MobileNetV3、MobileViT、ResNet、ViT/DINOv3 — および任意のTransformers分類器）、SAM/SAM2セグメンテーションのビジョンモデルを、Hugging Face TransformersとHugging Face Jobsを使用してトレーニングおよびファインチューニングします。
機能
- 物体検出: D-FINE、RT-DETR v2、DETR、YOLOSモデルをサポート
- 画像分類: timmライブラリのMobileNetV3、MobileViT、ResNet、ViT/DINOv3、およびTransformers分類器をサポート
- セグメンテーション: SAMおよびSAM2モデルをサポート
- クラウド実行: Hugging Face Jobsでトレーニングジョブを実行
- データセット管理: データセットの準備と前処理を自動化
前提条件
- Hugging Faceアカウントとアクセストークン
- トレーニングデータセット（Hugging Face Datasets形式）
- 必要な環境変数の設定
使用方法
# 環境変数を設定
export HF_TOKEN="your_hugging_face_token"
export HF_DATASET="your_dataset_name"
export MODEL_NAME="facebook/detr-resnet-50"
# スキルを実行（例：Claude Code内）
claude code "物体検出モデルをトレーニング"
設定
| 変数名 | 説明 | デフォルト値 |
|---|---|---|
HF_TOKEN | Hugging Face APIトークン | なし（必須） |
HF_DATASET | 使用するデータセット名 | なし（必須） |
MODEL_NAME | モデル識別子 | facebook/detr-resnet-50 |
NUM_EPOCHS | トレーニングエポック数 | 10 |
BATCH_SIZE | バッチサイズ | 8 |
LEARNING_RATE | 学習率 | 5e-5 |
トレーニング例
from transformers import AutoModelForObjectDetection, AutoImageProcessor
# モデルとプロセッサをロード
model = AutoModelForObjectDetection.from_pretrained("facebook/detr-resnet-50")
processor = AutoImageProcessor.from_pretrained("facebook/detr-resnet-50")
# トレーニングコード（詳細はドキュメントを参照）
サポートされているモデル
- D-FINE:
jozhang97/dfine-hgnetv2-l-coco - RT-DETR v2:
jozhang97/rt-detrv2-hgnetv2-l-coco - DETR:
facebook/detr-resnet-50 - YOLOS:
hustvl/yolos-small - 画像分類: timmモデル（
timm/mobilenetv3_large_100など） - SAM:
facebook/sam-vit-huge - SAM2:
facebook/sam2-hiera-large
トラブルシューティング
- 認証エラー:
HF_TOKENが正しく設定されているか確認してください。 - メモリ不足:
BATCH_SIZEを小さくするか、より小さなモデルを使用してください。 - データセットエラー: データセットが正しい形式（COCO、VOCなど）であることを確認してください。
ライセンス
Apache 2.0