/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
resnet · dense
Базовая модель
resnet-50
Опубликована
22 дек 2023

resnet-50-plant-disease

Классификация изображенийИзображение → label3 профессии

Дообученная ResNet-50 классифицирует изображения растений, помогая распознавать изученные классы заболеваний.

46скачиваний за 30 дней0лайковвеса обновлены22 дек 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель A2H0H0R1/resnet-50-plant-disease — ResNet-50, дообученная на наборе изображений растений для классификации. Она принимает изображение и предсказывает один из изученных классов заболеваний растений. В README указана точность 0,9286 на оценочной выборке и значение loss 0,3609.

Модель основана на microsoft/resnet-50 и распространяется в формате Safetensors по лицензии Apache-2.0. Состав классов и подробности обучающих данных в карточке не описаны, поэтому результаты на других растениях, условиях съёмки и наборах данных могут отличаться.

Сценарии применения

  • классификация фотографий растений по классам заболеваний
  • предварительный скрининг растений по снимкам листьев
  • сортировка изображений растений для последующей экспертной проверки

Ограничения

В карточке не перечислены классы и подробно не описаны обучающие данные, поэтому точность для конкретных культур и условий съёмки неизвестна. Указанная точность 0,9286 относится только к оценочной выборке.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

resnet-50-plant-disease

This model is a fine-tuned version of microsoft/resnet-50 on the imagefolder dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3609
  • Accuracy: 0.9286

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 100
  • eval_batch_size: 100
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 400
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 6

Training results

Training LossEpochStepValidation LossAccuracy
3.40231.01583.29490.4071
1.91842.03161.55800.7788
0.943.04740.74010.8761
0.64914.06330.47720.9118
0.55165.07910.38570.9242
0.51645.999480.36090.9286

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.0+cu121
  • Datasets 2.16.0
  • Tokenizers 0.15.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ResNetForImageClassification
Ревизия весов
0a1c652

0 моделей