/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Библиотека
transformers
Опубликована
19 сен 2026

vit-cats-dogs-pandas

Классификация изображенийИзображение → label3 профессии

Дообученный ViT классифицирует изображения по трём классам: кошка, собака или панда.

37скачиваний за 30 дней0лайковвеса обновлены19 сен 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

Bektur756 выпустил модель для классификации изображений кошек, собак и панд. Это дообученная версия Vision Transformer Google ViT-Base с патчами 16×16 и классификационной головой на три класса. На вход подаётся RGB-изображение, которое приводится к размеру 224×224; всего модель обрабатывает 196 патчей и токен [CLS]. В метаданных указано 113,2 млн параметров, а в README — 85 800 963 параметра; эти значения расходятся.

Модель подходит для определения, изображена ли на фотографии кошка, собака или панда. В README приведены точность 100% на тестовой выборке из 120 изображений и средняя задержка около 22 мс на Tesla T4; результаты относятся к небольшому датасету Melisa13/Animals_dataset и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Определение кошек на фотографиях
  • Определение собак на фотографиях
  • Определение панд на фотографиях
  • Автоматическая сортировка изображений животных по трём классам

Ограничения

Модель распознаёт только кошек, собак и панд; изображения вне этих классов могут быть ошибочно отнесены к одному из них. Заявленная тестовая точность получена на небольшой выборке из 120 изображений и может не переноситься на другие источники данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViT Cats, Dogs and Pandas Classifier

Vision Transformer image classifier for three classes:

  • 0: cats
  • 1: dogs
  • 2: panda

Base model

google/vit-base-patch16-224

The classifier uses the output representation of the first [CLS] token and a Linear(768, 3) classification head.

Dataset

Melisa13/Animals_dataset

SplitImagesPer class
Train408136
Validation7224
Test12040

Exact image duplicates between splits: 0.

Image preprocessing

  • RGB input
  • Resize and crop to 224×224
  • Patch size: 16×16
  • 196 image patches
  • 197 tokens including [CLS]
  • Normalization mean: (0.5, 0.5, 0.5)
  • Normalization standard deviation: (0.5, 0.5, 0.5)

Fine-tuning

The following components were trainable:

  • Transformer blocks 10 and 11
  • Final LayerNorm
  • Linear(768, 3) classifier
ConfigurationValue
Total parameters85,800,963
Trainable parameters14,179,587
Trainable share16.53%
Epochs completed7
Batch size16
Learning rate2e-5
Weight decay0.01

Results

SplitAccuracyMacro F1
Validation98.61%98.61%
Test100.00%100.00%

Test classification report:

ClassPrecisionRecallF1Support
Cats1.00001.00001.000040
Dogs1.00001.00001.000040
Panda1.00001.00001.000040

End-to-end latency

Latency includes image preprocessing and model inference with batch size 1.

DeviceMeanMedianP95Throughput
Tesla T421.86 ms18.37 ms39.92 ms45.75 images/s
Colab CPU599.39 ms371.03 ms1550.67 ms1.67 images/s

Usage

from PIL import Image
import torch

from transformers import (
    AutoImageProcessor,
    AutoModelForImageClassification,
)

MODEL_NAME = "Bektur756/vit-cats-dogs-pandas"

processor = AutoImageProcessor.from_pretrained(
    MODEL_NAME
)

model = AutoModelForImageClassification.from_pretrained(
    MODEL_NAME
)

image = Image.open(
    "animal.jpg"
).convert(
    "RGB"
)

inputs = processor(
    images=image,
    return_tensors="pt",
)

with torch.inference_mode():
    logits = model(
        **inputs
    ).logits

probabilities = torch.softmax(
    logits,
    dim=-1,
)[0]

predicted_id = int(
    probabilities.argmax()
)

print(
    model.config.id2label[
        predicted_id
    ]
)

print(
    probabilities.tolist()
)

## Limitations

- The test split contains only 120 images.
- The dataset is small and relatively simple.
- Perfect test accuracy does not imply perfect performance on arbitrary images.
- CPU inference is substantially slower than GPU inference.

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
83d36ae

0 моделей