Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 28 июл 2022

Ссылки

Hugging Face

vc-bantai-vit-withoutAMBI-adunest-v1

AykeeSalazar

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer для классификации изображений.

8скачиваний за 30 дней0лайковвеса обновлены28 июл 2022

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

AykeeSalazar/vc-bantai-vit-withoutAMBI-adunest-v1 — модель классификации изображений, дообученная на базе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и сохранена в формате PyTorch. По данным карточки, на оценочном наборе достигла accuracy 0,9181 и loss 0,3318.

Модель предназначена для отнесения изображений к классам обучающего набора. В качестве данных указан imagefolder, однако карточка не раскрывает набор классов, область применения и ограничения результатов. Лицензия — Apache-2.0.

Сценарии применения

Классификация изображений по классам обучающего набора
Автоматическая сортировка изображений по категориям
Эксперименты с классификацией изображений на базе ViT

Ограничения

Карточка не сообщает, какие классы распознаёт модель и на каких условиях измерялась точность; результат оценки не гарантирует качество на других данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vc-bantai-vit-withoutAMBI-adunest-v1

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 0.3318
Accuracy: 0.9181

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: 0.0005
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 200
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	0.23	100	0.3365	0.8581
No log	0.45	200	0.3552	0.8472
No log	0.68	300	0.3165	0.8581
No log	0.91	400	0.2882	0.8690
0.3813	1.13	500	0.2825	0.8745
0.3813	1.36	600	0.2686	0.9007
0.3813	1.59	700	0.2381	0.9017
0.3813	1.81	800	0.3643	0.8734
0.3813	2.04	900	0.2873	0.8930
0.2736	2.27	1000	0.2236	0.9039
0.2736	2.49	1100	0.2652	0.8723
0.2736	2.72	1200	0.2793	0.8952
0.2736	2.95	1300	0.2158	0.8974
0.2736	3.17	1400	0.2410	0.8886
0.2093	3.4	1500	0.2262	0.9017
0.2093	3.63	1600	0.2110	0.9214
0.2093	3.85	1700	0.2048	0.9138
0.2093	4.08	1800	0.2044	0.9127
0.2093	4.31	1900	0.2591	0.9007
0.1764	4.54	2000	0.2466	0.8952
0.1764	4.76	2100	0.2554	0.9017
0.1764	4.99	2200	0.2145	0.9203
0.1764	5.22	2300	0.3187	0.9039
0.1764	5.44	2400	0.3336	0.9050
0.1454	5.67	2500	0.2542	0.9127
0.1454	5.9	2600	0.2796	0.8952
0.1454	6.12	2700	0.2410	0.9181
0.1454	6.35	2800	0.2503	0.9148
0.1454	6.58	2900	0.2966	0.8996
0.1216	6.8	3000	0.1978	0.9312
0.1216	7.03	3100	0.2297	0.9214
0.1216	7.26	3200	0.2768	0.9203
0.1216	7.48	3300	0.3356	0.9083
0.1216	7.71	3400	0.3415	0.9138
0.1038	7.94	3500	0.2398	0.9061
0.1038	8.16	3600	0.3347	0.8963
0.1038	8.39	3700	0.2199	0.9203
0.1038	8.62	3800	0.2943	0.9061
0.1038	8.84	3900	0.2561	0.9181
0.0925	9.07	4000	0.4170	0.8777
0.0925	9.3	4100	0.3638	0.8974
0.0925	9.52	4200	0.3233	0.9094
0.0925	9.75	4300	0.3496	0.9203
0.0925	9.98	4400	0.3621	0.8996
0.0788	10.2	4500	0.3260	0.9116
0.0788	10.43	4600	0.3979	0.9061
0.0788	10.66	4700	0.3301	0.8974
0.0788	10.88	4800	0.2197	0.9105
0.0788	11.11	4900	0.3306	0.9148
0.0708	11.34	5000	0.3318	0.9181

Framework versions

Transformers 4.20.1
Pytorch 1.12.0+cu113
Datasets 2.3.2
Tokenizers 0.12.1

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: ViTForImageClassification
Ревизия весов: fd6dec2