Характеристики

Параметры: 7,1 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: deit-tiny-patch16-224
Библиотека: transformers
Опубликована: 8 окт 2026

Ссылки

Hugging Face

beans-deit-tiny

Adamix3003

Классификация изображенийИзображение → label

Компактная модель Vision Transformer для классификации изображений листьев фасоли, дообученная на датасете beans.

3 824скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

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

Adamix3003/beans-deit-tiny — дообученная модель классификации изображений на базе facebook/deit-tiny-patch16-224, обученная на датасете AI-Lab-Makerere/beans. Она использует архитектуру Vision Transformer и содержит 7,1 млн параметров. Модель предназначена для распознавания категорий на изображениях листьев фасоли, например для выявления болезней растений.

В README для оценочного набора указаны accuracy и F1 Macro по 0,9699, а также loss 0,0988. Модель работает с изображениями и выдаёт метки классов. Лицензия — Apache-2.0; оценочные результаты не гарантируют такую же точность на новых данных.

Сценарии применения

классификация изображений листьев фасоли
распознавание болезней фасоли по фотографиям листьев
автоматическая сортировка изображений растений по классам

Ограничения

README не описывает ограничения и состав классов; приведённые метрики относятся только к оценочному набору и могут не отражать точность на новых изображениях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

beans-deit-tiny

This model is a fine-tuned version of facebook/deit-tiny-patch16-224 on the AI-Lab-Makerere/beans dataset. It achieves the following results on the evaluation set:

Loss: 0.0988
Accuracy: 0.9699
F1 Macro: 0.9699

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: 32
eval_batch_size: 64
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Macro
0.4848	1.0	33	0.3876	0.8346	0.8393
0.2301	2.0	66	0.1710	0.9323	0.9327
0.1704	3.0	99	0.1809	0.9474	0.9472
0.1111	4.0	132	0.1075	0.9699	0.9699
0.1396	5.0	165	0.0988	0.9699	0.9699

Framework versions

Transformers 5.19.0
Pytorch 2.11.0+cu130
Datasets 5.1.0
Tokenizers 0.23.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: 4cb59c1