/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Опубликована
16 мая 2023

emotions_classifier

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT для классификации изображений по эмоциям.

11скачиваний за 30 дней6лайковвеса обновлены16 мая 2023

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

CynthiaCR/emotions_classifier — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k. Веса содержат 113,2 млн параметров и представлены в формате TensorFlow. Модель предназначена для присвоения изображению класса эмоции; README указывает, что набор данных неизвестен.

На оценочной выборке указаны потери 1,6122 и точность 26,87%; эти результаты не подтверждают высокую надёжность классификации. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация эмоций на изображениях лиц
  • эксперименты с распознаванием эмоций по изображениям
  • оценка модели классификации изображений на пользовательской выборке

Ограничения

Данные обучения не описаны; на оценочной выборке точность составляет 26,87%, поэтому качество распознавания может быть низким. Оценка приведена без сведений о размере и составе выборки.

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

CynthiaCR/emotions_classifier

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 1.3846
  • Validation Loss: 1.6122
  • Train Accuracy: 0.2687
  • Epoch: 19

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:

  • optimizer: {'name': 'AdamWeightDecay', 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 0.0003, 'decay_steps': 12800, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}
  • training_precision: float32

Training results

Train LossValidation LossTrain AccuracyEpoch
2.03632.09600.10
2.08222.12540.08131
1.99161.93920.20622
1.92231.83850.16883
1.82131.72940.23134
1.69401.69530.26255
1.71531.60090.31876
1.57881.63850.2757
1.53591.56350.34388
1.47681.61800.3259
1.47461.60630.312510
1.51631.56410.362511
1.46921.57220.306312
1.44681.73630.3513
1.71161.75310.268714
1.53341.59080.256215
1.49881.51690.331216
1.46051.50410.281217
1.35451.48240.318718
1.38461.61220.268719

Framework versions

  • Transformers 4.29.2
  • TensorFlow 2.12.0
  • Datasets 2.12.0
  • Tokenizers 0.13.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
ViTForImageClassification
Ревизия весов
ea4be2e

0 моделей