Synapse-Image-Classifier-Nano
Synapse-Image-Classifier-Nano é um classificador de imagens leve desenvolvido pela Comunidade Synapse BR.
O modelo utiliza uma implementação personalizada da arquitetura Thin ResNet-18, projetada para reduzir o número de parâmetros mantendo um bom desempenho em tarefas de classificação de imagens.
Informações do Modelo
| Propriedade | Valor |
|---|---|
| Arquitetura | Thin ResNet-18 |
| Parâmetros | 4,397,580 |
| Framework | PyTorch |
| Dataset | CIFAR-100 |
| Classes | 100 |
| Entrada | RGB 32×32 |
| Épocas | 20 |
| Batch Size | 128 |
| Otimizador | Adam |
| Learning Rate | 0.001 |
| Top-1 Accuracy | 64.62% (CIFAR-100 Test Set) |
Dataset
O modelo foi treinado utilizando o dataset CIFAR-100, composto por:
- 50.000 imagens para treinamento
- 10.000 imagens para teste
- 100 classes
- Imagens RGB de 32×32 pixels
Data Augmentation
Durante o treinamento foram utilizadas as seguintes técnicas:
- RandomHorizontalFlip
- RandomCrop(32, padding=4)
Como utilizar
import torch
# Certifique-se de possuir a implementação da arquitetura Thin ResNet-18
model = ResNetNano(
BasicBlock,
[2, 2, 2, 2],
num_classes=100,
width=40
)
model.load_state_dict(torch.load("pytorch_model.bin"))
model.eval()
Resultados
Métrica| Valor
Top-1 Accuracy| 64.62%
Limitações
- Treinado exclusivamente no dataset CIFAR-100.
- Espera imagens RGB de resolução 32×32.
- Não foi treinado para classificação de imagens de alta resolução.
- O desempenho pode diminuir significativamente em domínios diferentes do CIFAR-100.
Objetivo
O Synapse-Image-Classifier-Nano foi desenvolvido como um modelo leve para pesquisas, aprendizado e aplicações de classificação de imagens que exigem baixo consumo de recursos computacionais.
Desenvolvedor
Comunidade Synapse BR
Projeto open source focado no desenvolvimento de modelos leves, datasets e ferramentas de inteligência artificial.