Характеристики

Лицензия: Apache 2.0
Архитектура: convnext · dense
Базовая модель: convnext-tiny-224
Библиотека: transformers
Опубликована: 2 июн 2025

Ссылки

Hugging Face

hardy-bee-220

BeckerAnas

Классификация изображенийИзображение → label

Дообученная на неизвестном наборе данных ConvNeXT-Tiny-224 для классификации изображений по классам.

16скачиваний за 30 дней0лайковвеса обновлены2 июн 2025

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

hardy-bee-220 — модель классификации изображений на архитектуре ConvNeXT-Tiny-224, дообученная BeckerAnas на неизвестном наборе данных. Она принимает изображение и относит его к одному из классов, предусмотренных обучением; конкретные классы и целевой сценарий в карточке не описаны. На оценочном наборе указаны accuracy 0,9648, precision 0,9660, recall 0,9648, F1 0,9650 и ROC AUC 0,9978.

Модель сохранена в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Качество на других данных и назначение классов по приведённой карточке оценить нельзя.

Сценарии применения

Классификация изображений по классам, заданным при обучении
Оценка изображений с помощью дообученной сверточной модели

Ограничения

Набор данных, классы и целевое применение не описаны, поэтому метрики из карточки нельзя переносить на другие наборы изображений. Качество зависит от соответствия входных данных обучающему распределению.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hardy-bee-220

This model is a fine-tuned version of facebook/convnext-tiny-224 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0965
Accuracy: 0.9648
Precision: 0.9660
Recall: 0.9648
F1: 0.9650
Roc Auc: 0.9978

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: 0.0001
train_batch_size: 256
eval_batch_size: 256
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_ratio: 0.1
num_epochs: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1	Roc Auc
1.3971	1.0	17	1.3628	0.3997	0.4611	0.3997	0.3922	0.6197
1.343	2.0	34	1.2959	0.4206	0.5256	0.4206	0.4184	0.7270
1.218	3.0	51	1.1328	0.5104	0.5209	0.5104	0.5114	0.7725
1.0866	4.0	68	1.0127	0.5482	0.5251	0.5482	0.5135	0.7935
0.979	5.0	85	0.9274	0.5182	0.5688	0.5182	0.5264	0.7989
0.7709	6.0	102	0.8019	0.5508	0.5959	0.5508	0.5541	0.8207
0.6793	7.0	119	0.7300	0.5729	0.6291	0.5729	0.5779	0.8376
0.7004	8.0	136	0.7979	0.5820	0.6178	0.5820	0.5900	0.8433
0.5933	9.0	153	0.7219	0.5456	0.6553	0.5456	0.5559	0.8498
0.5292	10.0	170	0.6114	0.6888	0.7024	0.6888	0.6911	0.8923
0.4391	11.0	187	0.5453	0.6758	0.7536	0.6758	0.6758	0.9062
0.3856	12.0	204	0.5515	0.6810	0.7299	0.6810	0.6793	0.9156
0.3171	13.0	221	0.4486	0.7188	0.7829	0.7188	0.7172	0.9330
0.3035	14.0	238	0.4295	0.7227	0.7859	0.7227	0.7248	0.9364
0.2196	15.0	255	0.3438	0.8229	0.8298	0.8229	0.8243	0.9563
0.1842	16.0	272	0.2979	0.8190	0.8539	0.8190	0.8180	0.9690
0.1423	17.0	289	0.2747	0.8646	0.8638	0.8646	0.8638	0.9717
0.1387	18.0	306	0.3680	0.7904	0.8535	0.7904	0.7934	0.9793
0.1137	19.0	323	0.2358	0.8490	0.8744	0.8490	0.8486	0.9824
0.1013	20.0	340	0.1700	0.9193	0.9191	0.9193	0.9191	0.9894
0.0763	21.0	357	0.1573	0.9193	0.9241	0.9193	0.9199	0.9906
0.0648	22.0	374	0.1423	0.9323	0.9336	0.9323	0.9324	0.9915
0.0433	23.0	391	0.1344	0.9414	0.9413	0.9414	0.9412	0.9933
0.0392	24.0	408	0.1444	0.9427	0.9444	0.9427	0.9423	0.9938
0.0282	25.0	425	0.1134	0.9622	0.9627	0.9622	0.9623	0.9952
0.0249	26.0	442	0.1243	0.9466	0.9500	0.9466	0.9470	0.9953
0.015	27.0	459	0.1377	0.9336	0.9379	0.9336	0.9339	0.9959
0.0175	28.0	476	0.1320	0.9492	0.9497	0.9492	0.9493	0.9954
0.029	29.0	493	0.1202	0.9583	0.9592	0.9583	0.9582	0.9961
0.0138	30.0	510	0.0889	0.9714	0.9714	0.9714	0.9714	0.9976
0.0135	31.0	527	0.1064	0.9622	0.9635	0.9622	0.9624	0.9969
0.0076	32.0	544	0.1238	0.9427	0.9466	0.9427	0.9428	0.9969
0.0098	33.0	561	0.0871	0.9635	0.9643	0.9635	0.9636	0.9974
0.0066	34.0	578	0.1342	0.9518	0.9547	0.9518	0.9522	0.9968
0.0055	35.0	595	0.0965	0.9648	0.9660	0.9648	0.9650	0.9978

Framework versions

Transformers 4.52.3
Pytorch 2.7.0+cpu
Datasets 3.6.0
Tokenizers 0.21.0

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: ConvNextForImageClassification
Ревизия весов: 2115e3d