Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Базовая модель: swin-tiny-patch4-window7-224
Опубликована: 11 мая 2024

Ссылки

Hugging Face

swin-tiny-patch4-window7-224-finetuned

Angy309

Классификация изображенийИзображение → label

Дообученная Swin-Tiny для классификации изображений.

8скачиваний за 30 дней0лайковвеса обновлены13 мая 2024

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

Это дообученная модель компьютерного зрения на базе Swin-Tiny, опубликованная пользователем Angy309. Она предназначена для классификации изображений; обучающие данные представлены в формате imagefolder. В архитектуре используется SwinForImageClassification, число параметров — около 33 млн. По результатам оценки на тестовом наборе указаны loss 0,3335 и accuracy 0,8808, однако состав классов и сам набор данных не описаны. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Сценарии применения

классификация изображений по классам обучающего набора
автоматическая категоризация изображений
распознавание объектов или сцен на изображениях в пределах обученных классов

Ограничения

Классы и состав обучающего набора не описаны, поэтому точную область применения определить нельзя. Метрики оценки приведены без описания размера и состава выборки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

swin-tiny-patch4-window7-224-finetuned

This model is a fine-tuned version of microsoft/swin-tiny-patch4-window7-224 on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 0.3335
Accuracy: 0.8808

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: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.0835	0.9796	36	0.7885	0.6885
0.6076	1.9864	73	0.5073	0.8096
0.499	2.9388	108	0.3335	0.8808

Framework versions

Transformers 4.40.2
Pytorch 2.2.1+cu121
Datasets 2.19.1
Tokenizers 0.19.1

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: SwinForImageClassification
Ревизия весов: 6c6e031