---
title: Kaloscope
canonical_url: "https://www.modelscope.cn/models/Heathcliff02/Kaloscope"
md_url: "https://www.modelscope.cn/models/Heathcliff02/Kaloscope.md"
repository: Heathcliff02/Kaloscope
chinese_name: "Kaloscope-万花筒"
last_updated: 2025-10-20
license: apache-2.0
pipeline_tag: text-classification
tasks:
  - text-classification
library_name:
  - pytorch
downloads: 11
stars: 3
---

# Kaloscope

> Kaloscope - Heathcliff02 在 ModelScope 开源的模型。用于danbroou画师风格分类推理的模型

Heathcliff02/Kaloscope 是 ModelScope 魔搭社区上的text-classification模型，采用 apache-2.0 许可。

- **Repository**: Heathcliff02/Kaloscope
- **License**: apache-2.0
- **Tasks**: text-classification
- **Downloads**: 11
- **Stars**: 3
- **Last updated**: 2025-10-20

Source: https://www.modelscope.cn/models/Heathcliff02/Kaloscope

---

# LSNet 艺术家风格分类模型 Model Card

## 模型概述

**模型名称**: 
Kaloscope Artist Style Classification Model  
**模型版本**: v1.0  
**发布日期**: 2025年10月  
**模型类型**: 图像分类 (艺术家风格识别)  
**架构**: LSNet (See Large, Focus Small)  

## 模型描述

本模型基于LSNet架构构建，专门用于识别和分类不同艺术家的绘画风格。LSNet是一个轻量级视觉模型，灵感来源于人类视觉系统的动态异尺度能力，即"看大局，聚焦细节"的特性。

### 架构特点
- **设计理念**: 基于人类视觉系统的"See Large, Focus Small"原理
- **模型系列**: 支持LSNet-T、LSNet-S、LSNet-B三种规模
- **参数量**: 约100M参数
- **优化目标**: 在保持高精度的同时实现高效推理

## 训练数据

### 数据来源
- **数据集**: Danbooru数据集 (截止到2024年10月)
- **数据筛选**: 选取图像数量在50张以上的艺术家
- **总分类数**: 31,770个艺术家类别
- **数据采样策略**: 
  - 图像数量超过100张的艺术家：选取ID最靠后的100张图像
  - 图像数量50-100张的艺术家：使用全部图像

### 数据预处理
- 图像尺寸: 224×224像素
- 数据增强: 标准ImageNet预处理流程
- 验证集划分: 5%的数据用于验证

## 训练配置

### 硬件环境
- **GPU配置**: 8×H20 GPU
- **训练时长**: 80个epoch
- **批次大小**: 256 (每GPU)

### 训练参数
- **优化器**: AdamW
- **学习率调度**: Cosine Annealing
- **数据并行**: 分布式训练 (8卡)
- **模型参数量**: ~100M

### 性能指标
- **最终准确率**: 84.2%
- **验证方式**: Top-1准确率
- **评估数据**: 验证集 (5%的数据)

## 模型性能

### 分类性能
| 指标 | 数值 |
|------|------|
| Top-1 准确率 | 84.2% |
| 总类别数 | 31,770 |
| 参数量 | ~100M |
| 训练轮数 | 80 epochs |

### 推理性能
- **输入格式**: RGB图像，224×224像素
- **输出格式**: 31,770维概率分布
- **推理速度**: 高效推理 (具体数值取决于硬件)

## 使用方法

### 环境要求
```bash
pip install torch torchvision timm
```

### 基本使用
```python
import torch
from timm.models import create_model

# 加载模型
model = create_model('lsnet_t_artist', pretrained=True, num_classes=31770)
model.eval()

# 推理
with torch.no_grad():
    output = model(input_tensor)
    probabilities = torch.softmax(output, dim=1)
```
### Comfyui内使用
安装comfyui节点：https://github.com/spawner1145/comfyui-lsnet
下载本仓库模型即可使用
### 相关资源
- **论文**: [LSNet: See Large, Focus Small](https://arxiv.org/abs/2503.23135)
- **代码仓库**: (https://github.com/spawner1145/lsnet-test)
- **预训练模型**: 可通过Hugging Face Hub获取

### 引用信息
```bibtex
@misc{wang2025lsnetlargefocussmall,
      title={LSNet: See Large, Focus Small}, 
      author={Ao Wang and Hui Chen and Zijia Lin and Jungong Han and Guiguang Ding},
      year={2025},
      eprint={2503.23135},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2503.23135}, 
}
```

## 更新日志

### v1.0 (2025年10月)
- 初始版本发布
- 基于Danbooru数据集训练
- 支持31,770个艺术家类别
- 达到84.2%的分类准确率
### v1.1 (2025年10月)
- 训练轮次达到150轮
- 达到85.6%的分类准确率
---

**免责声明**: 本模型仅供研究和教育用途。在商业应用中使用时，请确保遵守相关法律法规和伦理准则。
