/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224-in21k
Библиотека
transformers
Опубликована
19 сен 2026

animals-classifier

Классификация изображенийИзображение → label3 профессии

Классификатор на основе ViT определяет на фотографии кошку, собаку или большую панду.

178скачиваний за 30 дней1лайквеса 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

Bubunur разработал классификатор изображений животных на основе Vision Transformer ViT-Base с 113,2 млн параметров, дообученного на модели google/vit-base-patch16-224-in21k. Модель относит изображение к одному из трёх классов: кошка, собака или большая панда; она рассчитана на классификацию фотографий и выдаёт метки классов с оценками уверенности.

Обучение проводилось на сбалансированном наборе Bubunur/dog-cat-panda из фотографий iNaturalist. На отфильтрованной тестовой выборке из 369 изображений метрики F1 составили 0,9547 для кошек, 0,9558 для собак и 1,0 для панд. Модель доступна в формате safetensors для библиотеки Transformers по лицензии CC BY-NC-SA 4.0.

Классификатор всегда выбирает один из трёх классов, поэтому изображения других объектов будут ошибочно отнесены к кошке, собаке или панде. Кошки и собаки могут путаться на сложных снимках, а тестовая выборка после фильтрации CLIP может быть легче реальных изображений. Оценки уверенности ограничены примерно 0,93 из-за сглаживания меток.

Сценарии применения

  • определение кошки, собаки или панды на фотографии
  • сортировка фотографий кошек и собак
  • классификация изображений панд в коллекции наблюдений
  • автоматическая разметка фотографий животных тремя классами

Ограничения

Модель всегда выбирает один из трёх классов, поэтому другие объекты будут ошибочно классифицированы; кошки и собаки могут путаться на сложных снимках. Тестовая выборка была отфильтрована CLIP и может быть легче реальных данных, а оценки уверенности ограничены примерно 0,93.

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

Animals Classifier: Dog / Cat / Panda

A Vision Transformer fine-tuned to classify images into 3 classes: cat, dog, and panda (giant panda).

Base model: google/vit-base-patch16-224-in21k

Usage

from transformers import pipeline

clf = pipeline("image-classification", model="Bubunur/animals-classifier")
clf("photo.jpg")
# [{'label': 'cat', 'score': 0.93}, ...]

Results

Evaluated on the held-out test split (369 images, 123 per class):

ClassPrecisionRecallF1
Cat0.96670.94310.9547
Dog0.94440.96750.9558
Panda1.00001.00001.0000
Overall accuracy0.9702

Confusion matrix (rows = true, columns = predicted):

CatDogPanda
Cat11670
Dog41190
Panda00123

Training data

Bubunur/dog-cat-panda: photos collected from iNaturalist (Creative Commons licenses only). The raw data contained many non-photo observations (skulls, bones, tracks, empty camera-trap frames), so the dataset was cleaned with zero-shot filtering by CLIP ViT-L/14 (confidence threshold 0.6) and balanced to 614 images per class.

Split: 1,252 train / 221 validation / 369 test.

Training procedure

  • Epochs: 8 (best checkpoint: epoch 6, selected by validation accuracy)
  • Learning rate: 5e-5, warmup ratio 0.06, weight decay 0.01
  • Batch size: 16
  • Label smoothing: 0.1
  • Mixed precision (fp16) on a single T4 GPU
  • Augmentations (train only): random resized crop (70–100%), horizontal flip, rotation (±15°), color jitter (brightness / contrast / saturation 0.3)

Limitations

  • Only 3 classes. Every input is assigned to cat, dog, or panda, even if it shows something else (e.g. a fox will be classified as a dog or a cat).
  • Confidence scores are capped at ~0.93 because of label smoothing (0.1). A score of 0.93 means maximum confidence, not uncertainty.
  • Cat/dog confusion remains on hard images: small or distant animals, partially hidden animals, fluffy small dog breeds.
  • The test set was filtered by CLIP, so it may be easier than real-world images, and the reported accuracy may be optimistic.

License

Released under CC BY-NC-SA 4.0 to match the license of the training data (which includes CC BY-NC and CC BY-SA images). Non-commercial use only.

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
c240840

0 моделей