Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 31 авг 2024

Ссылки

Hugging Face

vit-base-patch16-224-in21k-finetuned-hongrui_mammogram_v_1

BTX24

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT-Base для классификации изображений маммограмм.

164скачиваний за 30 дней0лайковвеса обновлены31 авг 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

Модель BTX24/vit-base-patch16-224-in21k-finetuned-hongrui_mammogram_v_1 — дообученный для классификации маммограмм вариант Vision Transformer ViT-Base от Google. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель принимает изображения и выдаёт класс изображения.

Модель предназначена для экспериментальной классификации маммограмм. На указанной в README оценочной выборке достигнуты accuracy 0,6991 и F1 0,6767; данных о составе классов и выборки недостаточно, чтобы судить о пригодности для клинического применения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

классификация маммограмм по классам обучающей выборки
экспериментальная оценка изображений молочных желёз
прототипирование систем анализа маммографических снимков

Ограничения

README сообщает accuracy 0,6991 и F1 0,6767 на оценочной выборке, но не приводит описание данных и классов. Эти результаты сами по себе не подтверждают пригодность модели для клинических решений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей IV.3Отраслевые задачиСтрахование и актуарные задачиAI помогает оценивать риски, обрабатывать убытки и управлять страховым портфелем.30 задач563модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-patch16-224-in21k-finetuned-hongrui_mammogram_v_1

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

Loss: 0.7419
Accuracy: 0.6991
F1: 0.6767
Precision: 0.6830
Recall: 0.6991

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: 64
eval_batch_size: 64
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 256
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
0.8576	1.0	171	0.8431	0.6678	0.6067	0.7751	0.6678
0.8297	2.0	342	0.7965	0.6791	0.6182	0.6758	0.6791
0.8303	3.0	513	0.7872	0.6842	0.6360	0.6704	0.6842
0.7814	4.0	684	0.7717	0.6843	0.6597	0.6601	0.6843
0.7768	5.0	855	0.7694	0.6906	0.6544	0.6775	0.6906
0.7415	6.0	1026	0.7572	0.6962	0.6718	0.6764	0.6962
0.7351	7.0	1197	0.7549	0.6922	0.6569	0.6648	0.6922
0.7197	8.0	1368	0.7479	0.6986	0.6855	0.6926	0.6986
0.7087	9.0	1539	0.7445	0.6979	0.6697	0.6792	0.6979
0.6977	10.0	1710	0.7419	0.6991	0.6767	0.6830	0.6991

Multi Class ROC Curve

Framework versions

Transformers 4.42.4
Pytorch 2.4.0+cu121
Datasets 2.21.0
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: ViTForImageClassification
Ревизия весов: 3c56236