/ Модель
Каталог

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224-in21k
Опубликована
17 сен 2023

Ссылки

Hugging Face

rsna-intracranial-hemorrhage-detection

DifeiT
Классификация изображенийИзображение → label3 профессии

Дообученный ViT классифицирует медицинские изображения для задачи выявления внутричерепного кровоизлияния.

164скачиваний за 30 дней1лайквеса обновлены17 сен 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

Модель DifeiT/rsna-intracranial-hemorrhage-detection — дообученная версия Vision Transformer google/vit-base-patch16-224-in21k для классификации медицинских изображений, связанная с выявлением внутричерепного кровоизлияния. Она принимает изображения и выдаёт класс классификации. Модель содержит 113,2 млн параметров; веса представлены в формате PyTorch. В оценке на наборе imagefolder указаны loss 1,2164 и accuracy 0,6152, поэтому результаты следует интерпретировать с учётом ограниченной точности и проверять на данных целевого применения. Лицензия — Apache-2.0.

Сценарии применения

  • классификация снимков головы для выявления внутричерепного кровоизлияния
  • предварительная сортировка медицинских изображений по классам
  • экспериментальная оценка ViT на задаче классификации внутричерепных изображений

Ограничения

На указанном оценочном наборе accuracy составляет 0,6152; подробности состава и протокола оценки не приведены. Это классификатор изображений, и карточка не подтверждает клиническую пригодность или применение для диагностики.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rsna-intracranial-hemorrhage-detection

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

  • Loss: 1.2164
  • Accuracy: 0.6152

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: 16
  • eval_batch_size: 16
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 64
  • 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 LossEpochStepValidation LossAccuracy
1.56551.02381.52350.4039
1.38482.04771.36220.4692
1.28123.07161.28110.5150
1.20394.09551.17950.5556
1.16415.011931.16270.5534
1.19616.014321.13930.5705
1.13827.016711.09210.5804
0.96538.019101.07900.5876
0.93469.021481.07270.5931
0.908310.023871.06050.5994
0.893611.026261.01470.6146
0.850412.028651.08490.5818
0.854413.031031.03490.6052
0.788414.033421.04350.6074
0.797415.035811.00820.6127
0.792116.038201.04380.6017
0.70917.040581.04840.6094
0.664618.042971.05540.6221
0.683219.045361.04550.6124
0.707620.047751.09050.6
0.744221.050131.10940.6008
0.633222.052521.07770.6063
0.641723.054911.07650.6141
0.626724.057301.10570.6091
0.608225.059681.09620.6171
0.619126.062071.11780.6039
0.565427.064461.13860.5948
0.577628.066851.11210.6105
0.553129.069231.14970.6030
0.627530.071621.17960.6028
0.537331.074011.13060.6132
0.477532.076401.15230.6058
0.546933.078781.16340.6127
0.493434.081171.18530.616
0.523335.083561.20180.6055
0.489636.085951.15850.6108
0.512237.088331.18740.6146
0.472638.090721.16080.6193
0.437239.093111.24030.6132
0.49840.095501.17520.6201
0.481341.097881.20050.6166
0.476242.0100271.22850.6022
0.485243.0102661.21920.6119
0.433244.0105051.23910.6218
0.399845.0107431.17790.6196
0.446746.0109821.20480.6284
0.433247.0112211.23020.6188
0.452948.0114601.22200.6188
0.428149.0116981.20130.624
0.419949.84119001.21640.6152

Framework versions

  • Transformers 4.33.2
  • Pytorch 2.0.1+cu117
  • Datasets 2.14.5
  • Tokenizers 0.13.3

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
7011be3

0 моделей

    Создать бенчмарк