/ Модель

Характеристики

Параметры
113 млн
Архитектура
vit · dense
Базовая модель
vit-Facial-Expression-Recognition
Опубликована
14 янв 2025

vit-Facial-Expression-Recognitio

Классификация изображенийИзображение → label

Дообученная ViT-модель классифицирует выражения лица на изображениях для исследовательских и экспериментальных задач.

5 070скачиваний за 30 дней2лайкавеса обновлены9 окт 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

Модель Casanovafeat/vit-Facial-Expression-Recognitio — дообученная версия Vision Transformer для классификации выражений лица по изображениям. В карточке указана точность 86,75% и loss 0,3936 на оценочном наборе; базовая модель — mo-thecreator/vit-Facial-Expression-Recognition. Модель имеет около 113,2 млн параметров.

Она предназначена для распознавания выражений лица в исследовательских и экспериментальных сценариях. В исследовании, связанном с карточкой, сравниваются методы на полных изображениях лица, лицевых ориентирах и их комбинации для наборов FER-2013, FER+ и RAF-DB. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация выражения лица на фотографии
  • распознавание эмоций на портретных изображениях
  • анализ выражений лица в исследовательских экспериментах

Ограничения

Качество может снижаться при плохом освещении, низком качестве изображения, повороте или частичной окклюзии лица и при отличиях данных от обучающих наборов. Конкретный обучающий датасет этой версии не установлен.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Facial Expression Recognition — Fine-tuned ViT

This model is a fine-tuned version of motheecreator/vit-Facial-Expression-Recognition.

It achieves the following results on the evaluation set:

  • Loss: 0.3936
  • Accuracy: 0.8675 (86.75%)

Model description

This model is based on a Vision Transformer (ViT) architecture fine-tuned for facial expression recognition.

The associated research, Facial Expression Recognition with CNNs and Vision Transformers: Full Images, Landmarks, and a Hybrid Method on FER-2013, FER+ and RAF-DB, investigates different approaches to facial expression recognition using Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs).

The study evaluates full-face images, facial landmarks, and hybrid representations across three benchmark datasets: FER-2013, FER+, and RAF-DB.

Intended uses & limitations

The model is intended for research and experimentation in facial expression recognition.

Performance may vary depending on image quality, lighting conditions, facial orientation, occlusions, and differences between datasets.

Training and evaluation data

The specific training dataset was not identified in the automatically generated model card.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 64
  • eval_batch_size: 64
  • seed: 42
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 512
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 1000
  • num_epochs: 3

Training results

Training LossEpochStepValidation LossAccuracy
0.59690.341000.39970.8652
0.60900.672000.39940.8644
0.60381.013000.39690.8677
0.58191.354000.39470.8674
0.58641.695000.39360.8675
0.58192.026000.39250.8661
0.56942.367000.39610.8656
0.56182.708000.39940.8650

Framework versions

  • Transformers 4.36.0
  • PyTorch 2.0.0
  • Datasets 2.1.0
  • Tokenizers 0.15.0

Citation

If you use this model in your research, please cite the following publication:

Casanova, D., Hoffmann, A. B. G., Candido Junior, A., Rodrigues, P. J., & de Paula Filho, P. L. (2026). Facial Expression Recognition with CNNs and Vision Transformers: Full Images, Landmarks, and a Hybrid Method on FER-2013, FER+ and RAF-DB. In VI International Conference on Optimization, Learning Algorithms and Applications (OL2A 2026): Book of Abstracts (p. 36). Instituto Politécnico de Bragança.

Publication: OL2A 2026 — Book of Abstracts

BibTeX

@inproceedings{casanova2026facial,
  author    = {Casanova, Daniel and
               Hoffmann, Alessandra B. G. and
               Candido Junior, Arnaldo and
               Rodrigues, Pedro Jo{\~a}o and
               de Paula Filho, Pedro Luiz},
  title     = {Facial Expression Recognition with {CNNs}
               and Vision Transformers: Full Images,
               Landmarks, and a Hybrid Method on
               {FER-2013}, {FER+} and {RAF-DB}},
  booktitle = {VI International Conference on Optimization,
               Learning Algorithms and Applications
               ({OL2A} 2026): Book of Abstracts},
  year      = {2026},
  pages     = {36},
  publisher = {Instituto Polit{\'e}cnico de Bragan{\c{c}}a},
  isbn      = {978-972-745-373-3},
  url       = {http://hdl.handle.net/10198/36787},
  note      = {Conference abstract}
}

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
68889e5

0 моделей