Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224
Опубликована: 7 апр 2024

Ссылки

Hugging Face

vit-base-patch16-224-finetuned-teeth_dataset

Dhyey8

Классификация изображенийИзображение → label

Дообученный Vision Transformer классифицирует изображения зубов по классам набора imagefolder.

7скачиваний за 30 дней0лайковвеса обновлены7 апр 2024

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 Dhyey8/vit-base-patch16-224-finetuned-teeth_dataset — дообученная версия Vision Transformer ViT-Base от Google для классификации изображений зубов по классам обучающего набора. Она принимает изображение и выдаёт предсказанный класс. В README указаны точность 0,9348 и значение loss 1,1736 на оценочном наборе; состав классов и подробности набора данных не приведены. Модель содержит 113,2 млн параметров и сохранена в формате safetensors. Распространяется по лицензии Apache-2.0.

Сценарии применения

классификация фотографий зубов по классам модели
автоматическая сортировка изображений зубов в наборе данных
получение предсказаний классов для изображений зубов

Ограничения

В README не описаны классы, обучающие данные и ограничения применимости; указанная точность относится только к оценочному набору модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-patch16-224-finetuned-teeth_dataset

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

Loss: 1.1736
Accuracy: 0.9348

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:

learning_rate: 5e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	0.8	3	4.6533	0.0087
No log	1.87	7	4.5848	0.0065
4.6048	2.93	11	4.4608	0.0304
4.6048	4.0	15	4.2857	0.0848
4.6048	4.8	18	4.1470	0.1152
4.2716	5.87	22	3.9641	0.2043
4.2716	6.93	26	3.7705	0.3152
3.7404	8.0	30	3.5809	0.4196
3.7404	8.8	33	3.4766	0.4522
3.7404	9.87	37	3.2981	0.5087
3.1589	10.93	41	3.1132	0.6087
3.1589	12.0	45	2.9494	0.6696
3.1589	12.8	48	2.8361	0.6783
2.6384	13.87	52	2.6521	0.7348
2.6384	14.93	56	2.4943	0.7587
2.1342	16.0	60	2.3422	0.7848
2.1342	16.8	63	2.2327	0.8109
2.1342	17.87	67	2.0834	0.8261
1.714	18.93	71	1.9834	0.8565
1.714	20.0	75	1.8932	0.8674
1.714	20.8	78	1.8618	0.8587
1.4427	21.87	82	1.6974	0.8891
1.4427	22.93	86	1.6663	0.8891
1.1858	24.0	90	1.6014	0.8848
1.1858	24.8	93	1.5112	0.9043
1.1858	25.87	97	1.4732	0.9109
1.0222	26.93	101	1.4304	0.9065
1.0222	28.0	105	1.3915	0.9130
1.0222	28.8	108	1.3509	0.9217
0.8306	29.87	112	1.3054	0.9283
0.8306	30.93	116	1.2870	0.9261
0.7391	32.0	120	1.2645	0.9283
0.7391	32.8	123	1.2454	0.9261
0.7391	33.87	127	1.2395	0.9283
0.6971	34.93	131	1.2076	0.9304
0.6971	36.0	135	1.1821	0.9326
0.6971	36.8	138	1.1736	0.9348
0.6758	37.87	142	1.1671	0.9326
0.6758	38.93	146	1.1656	0.9348
0.6445	40.0	150	1.1649	0.9348

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

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: 856e57d