---

PIPClass 图像分类节点 PIPClass是一个基于ViT（Vision Transformer）模型的Python类，专为图像分类设计。它不仅可以快速识别图像中的内容，还能提供详细的分类得分，帮助用户更好地理解模型的判断依据。 PIP_ClassV1 模型是基于ViT-B/16预训练模型，在动漫、非人类（动物/场景/几何图形）、真人、三个类别上进行全量微调训练。 该模型在300张各类图片中做过批量测试，准确率大约90%。

我寻思独乐了不如众乐乐，完了我就整了个能加载大多数VIT模型的玩意出来，反正这玩意结构也差不太多，好像现在还没人这么整呢，至少我没发现。 当然如果你微调了vit模型又懒得写节点，那你直接用这玩意也行。 理论上你知道要把模型文件夹胡楞个的扔进models里就行了

主要功能

1. 图像分类：利用预训练的ViT模型，PIPClass可以准确地对输入的图像进行分类，返回最可能的类别。
2. 自定义模型路径：用户可以指定模型路径来加载自定义的训练模型，增加了模型的灵活性和适用范围。
3. 图像预处理：自动对输入的图像进行中心裁剪和调整大小，确保图像符合模型的输入要求，从而提高分类的准确性（目前尺寸为224x224）。

重要更新

11/29. 更准确的分类模型PIP_ClassV2 使用10000+图像微调了用于区分真实人脸/动漫人脸/其他（动物/风景/抽象元素等） 准确率95%以上。

模型地址： 通过百度网盘分享的文件：PIP_ClassV2 链接：https://pan.baidu.com/s/1uM-vtcNdETVckzOqDotAIQ?pwd=pip6 提取码：pip6 --来自百度网盘超级会员V5的分享

使用方法： 下载到Comfyui_PIP_Class/models路径下

11/29. VIT模型加载 新增了对于三方图像分类模型的加载，你只需要在models下 git clone https://huggingface.co/Falconsai/nsfw_image_detection（示例，亲测有效） 确保你的文件结构类似这样：

`

使用方法

• 输入参数：
  • image: 需要分类的图像，类型为IMAGE。
  • model_path (可选): 指定使用的模型路径，默认为"PIP_ClassV1"。
• 输出结果：
  • 分类标签: 返回图像的预测类别标签。
  • 分类详情: 显示每个类别的得分详情，帮助用户理解模型的分类决策。

使用方法

PIP_ClassV1 模型是基于ViT-B/16预训练模型，在动漫、非人类、真人、三个类别上进行全量微调训练。

模型下载链接： 通过百度网盘分享的文件：model.safetensors 链接：https://pan.baidu.com/s/1cdMSZvlBhBccyDuYWL81gg?pwd=pip6 提取码：pip6 --来自百度网盘超级会员V5的分享

模型路径： Comfyui_PIP_Class/models/PIP_ClassV1/模型

通过以上功能和简单的参数配置，PIPClass能够为用户提供强大且直观的图像分类服务。