Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
用小型 YOLO11n 检测器在照片里找出食堂餐盘上的食物浪费类别。这是一个早期原型,用于探索和初步分类,不用于核算或合规。
Food Waste CV 是一款工具包,属于商务类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download archiii/food-waste-cv-demo --repo-type space --local-dir food-waste-cv-demo cd food-waste-cv-demo
Food Waste CV 是一个早期原型,版本 0.3,用来在食堂餐盘照片里找出食物浪费的类别。YOLO11n 目标检测器会寻找米饭、蔬菜、熟肉、碳水、纸巾和酱汁。它是一个用于探索的 Gradio 演示。
它适合想看看计算机视觉如何给餐盘浪费分类的食堂管理者、可持续发展团队和学生。想把一个小型检测器包进 Gradio 页面的开发者也适合用它。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 餐饮服务 | 食堂管理者 | 探索退回餐盘上都剩下了什么 | 上传一张餐盘照片并查看标签 |
| 可持续发展 | 减少浪费的团队 | 在全面研究前先对浪费类别做初步分类 | 查看检测器找到了哪些类别 |
| 教育 | 计算机视觉专业的学生 | 研究一个小型 YOLO 检测器 | 阅读 app.py 和权重文件 |
| 软件 | 开发者 | 把自定义检测器包进网页演示 | 换成自己的权重 |
需要自动核算或合规报告的人可以跳过它,因为作者说它不是为此设计的。
这个演示可以在两个地方运行。
| Use case | Who | What they get back |
|---|---|---|
| 餐盘照片检查 | 食堂员工 | 餐盘上找到的浪费类别的标签 |
| 初步分类 | 可持续发展团队 | 对剩下哪些食物的粗略了解 |
| 检测器学习 | 学生 | 一个带训练好权重的可运行示例 |
在线页面不需要安装任何东西。本地副本需要下面这些。
pip install -U huggingface_hub hf download archiii/food-waste-cv-demo --repo-type space --local-dir food-waste-cv-demo cd food-waste-cv-demo pip install gradio==5.25.0 pip install -r requirements.txt python app.py
打开页面,给它一张食堂餐盘的照片,查看它标出的类别。在本地副本上,用下面这条命令启动页面。
python app.py
| 工具 | 作用 |
|---|---|
| YOLO11n 检测器 | 在照片里找出食物浪费类别 |
| best.pt | 应用加载的训练好的权重 |
| app.py | 存放 Gradio 页面 |
| requirements.txt | 列出应用需要的 Python 包 |
你上传一张用过的餐盘照片,上面有米饭、一张纸巾和一些酱汁。页面会标出它认出的物品和类别,不过可能会漏掉一些。
如果你刚接触这类工具,把输出当作初步印象。逐项自己核对标出的物品,因为即使标签没错,检测器也可能漏掉东西。
如果你熟悉这个领域,这是一个在 960 图像尺寸下训练的 YOLO11n 模型,验证集 mAP50 约为 0.43。作者报告说它对纸巾和酱汁最可靠,对其他类别则偏保守。也就是说,它给出的标签通常是对的,但有些物品检测不到。
这是早期成果。应用本身带有使用说明,作者表示只用于探索和初步分类。
用小型 YOLO11n 检测器在照片里找出食堂餐盘上的食物浪费类别。这是一个早期原型,用于探索和初步分类,不用于核算或合规。
由 archiii 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:Food Waste CV 是一个早期原型,版本 0.3,用来在食堂餐盘照片里找出食物浪费的类别。YOLO11n 目标检测器会寻找米饭、蔬菜、熟肉、碳水、纸巾和酱汁。它是一个用于探索的 Gradio 演示。
适合谁:它适合想看看计算机视觉如何给餐盘浪费分类的食堂管理者、可持续发展团队和学生。想把一个小型检测器包进 Gradio 页面的开发者也适合用它。
行业 | 谁在用 | 怎么用 | 例子
餐饮服务 | 食堂管理者 | 探索退回餐盘上都剩下了什么 | 上传一张餐盘照片并查看标签
可持续发展 | 减少浪费的团队 | 在全面研究前先对浪费类别做初步分类 | 查看检测器找到了哪些类别
教育 | 计算机视觉专业的学生 | 研究一个小型 YOLO 检测器 | 阅读 app.py 和权重文件
软件 | 开发者 | 把自定义检测器包进网页演示 | 换成自己的权重
需要自动核算或合规报告的人可以跳过它,因为作者说它不是为此设计的。
用在哪里:这个演示可以在两个地方运行。
Use case | Who | What they get back
餐盘照片检查 | 食堂员工 | 餐盘上找到的浪费类别的标签
初步分类 | 可持续发展团队 | 对剩下哪些食物的粗略了解
检测器学习 | 学生 | 一个带训练好权重的可运行示例
如何设置:在线页面不需要安装任何东西。本地副本需要下面这些。
pip install -U huggingface_hub
hf download archiii/food-waste-cv-demo --repo-type space --local-dir food-waste-cv-demo
cd food-waste-cv-demo
pip install gradio==5.25.0
pip install -r requirements.txt
python app.py
如何使用:打开页面,给它一张食堂餐盘的照片,查看它标出的类别。在本地副本上,用下面这条命令启动页面。
python app.py
工具 | 作用
YOLO11n 检测器 | 在照片里找出食物浪费类别
best.pt | 应用加载的训练好的权重
app.py | 存放 Gradio 页面
requirements.txt | 列出应用需要的 Python 包
示例:你上传一张用过的餐盘照片,上面有米饭、一张纸巾和一些酱汁。页面会标出它认出的物品和类别,不过可能会漏掉一些。
新手与专家:如果你刚接触这类工具,把输出当作初步印象。逐项自己核对标出的物品,因为即使标签没错,检测器也可能漏掉东西。
如果你熟悉这个领域,这是一个在 960 图像尺寸下训练的 YOLO11n 模型,验证集 mAP50 约为 0.43。作者报告说它对纸巾和酱汁最可靠,对其他类别则偏保守。也就是说,它给出的标签通常是对的,但有些物品检测不到。
餐盘照片
YOLO11n 检测浪费物品
给类别打标签
你复查它漏掉的东西
注意事项:这是早期成果。应用本身带有使用说明,作者表示只用于探索和初步分类。
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| Food Waste CV 本页 | 1 | gradio | agpl-3.0 | |
| Signature Detection共有 gradio | 12 | gradio | agpl-3.0 | |
| Salamtak سلامتك共有 gradio | 2 | gradio | agpl-3.0 | |
| Customer Churn Predictor共有 gradio | 1 | gradio | mit | |
| Whisper Chileno共有 gradio | 1 | gradio | apache-2.0 | |
| Medical Insight Explorer Agent共有 gradio | 1 | gradio | mit |
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
perplexity-ai · 工具包
根据文字和图片为一个决策挑出最合适的选项,比如哪个团队应该处理一条请求,并给出每个选项的概率,适合构建分流和审核工作流的开发者。
numind · 工具包
以文本或图像读取文档,按你要的字段填写 JSON 模板,或把页面转成 Markdown。这是一个 4B 模型,适合处理扫描件、表单和发票的团队。
nace-ai · 工具包
一次推理就对一份文档的是非题、选择题和打分题给出每个选项的概率。这是 Nace.AI 的 8B 决策模型,你可以自己运行,许可证为非商业。