/ Модель

Характеристики

Параметры
7,1 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Опубликована
28 июн 2025

vit-tiny-classifier-rvlcdip

Классификация изображенийИзображение → label5 профессий

Компактная дистиллированная ViT-Tiny классифицирует изображения документов по 16 категориям RVL-CDIP.

111скачиваний за 30 дней0лайковвеса обновлены1 июл 2025

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

HAMMALE разработала компактный классификатор изображений документов на базе ViT-Tiny в рамках исследовательской стажировки в Laboratory of Complex Systems, Ecole Centrale Casablanca. Модель обучена методом дистилляции знаний от microsoft/dit-large-finetuned-rvlcdip на наборе RVL-CDIP и предназначена для отнесения изображений документов к 16 категориям, включая письма, формы, счета, резюме, научные публикации и презентации.

В карточке указана точность 0,9210. В метаданных размер модели составляет 7,1 млн параметров; README приводит оценку около 5,5 млн и сообщает, что модель примерно в 55 раз меньше учителя. Модель работает с изображениями и выдаёт классы документов. Лицензия — Apache-2.0.

Сценарии применения

  • классификация сканов документов по типу
  • сортировка входящих счетов и форм
  • распознавание категорий писем и служебных записок
  • распределение резюме и анкет по категориям
  • классификация научных публикаций и презентаций

Ограничения

Модель ограничена 16 категориями набора RVL-CDIP; точность, указанная в карточке, не гарантирует такие же результаты на других типах документов или распределениях данных. В README приведена оценка размера около 5,5 млн параметров, тогда как метаданные указывают 7,1 млн.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViT-Tiny Classifier for RVL-CDIP Document Classification (Distilled)

This model is a compressed Vision Transformer (ViT-Tiny) trained using knowledge distillation from DiT-Large on the RVL-CDIP dataset for document image classification. This model was developed as part of a research internship at the Laboratory of Complex Systems, Ecole Centrale Casablanca

Model Details

  • Student Model: ViT-Tiny (Vision Transformer)
  • Teacher Model: microsoft/dit-large-finetuned-rvlcdip
  • Training Method: Knowledge Distillation
  • Parameters: ~5.5M (55x smaller than teacher)
  • Dataset: RVL-CDIP (320k document images, 16 classes)
  • Task: Document Image Classification
  • Accuracy: 0.9210
  • Compression Ratio: ~55x parameter reduction from teacher model

Document Classes

The model classifies documents into 16 categories:

  1. letter - Personal or business correspondence
  2. form - Structured forms and applications
  3. email - Email communications
  4. handwritten - Handwritten documents
  5. advertisement - Marketing materials and ads
  6. scientific_report - Research reports and studies
  7. scientific_publication - Academic papers and journals
  8. specification - Technical specifications
  9. file_folder - File folders and organizational documents
  10. news_article - News articles and press releases
  11. budget - Financial budgets and planning documents
  12. invoice - Bills and invoices
  13. presentation - Presentation slides
  14. questionnaire - Surveys and questionnaires
  15. resume - CVs and resumes
  16. memo - Internal memos and notices

Usage

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image

# Load model
processor = AutoImageProcessor.from_pretrained("HAMMALE/vit-tiny-classifier-rvlcdip")
model = AutoModelForImageClassification.from_pretrained("HAMMALE/vit-tiny-classifier-rvlcdip")

# Load and classify an image
image = Image.open("path_to_your_document_image.jpg")
inputs = processor(image, return_tensors="pt")

# Get predictions
outputs = model(**inputs)
predicted_class_id = outputs.logits.argmax(-1).item()

# Get class names
class_names = [
    "letter", "form", "email", "handwritten", "advertisement", 
    "scientific_report", "scientific_publication", "specification", 
    "file_folder", "news_article", "budget", "invoice", 
    "presentation", "questionnaire", "resume", "memo"
]

predicted_class = class_names[predicted_class_id]
print("Predicted class:", predicted_class)

Performance

MetricValue
Accuracy0.9210
Parameters~5.5M
Model Size~22 MB
Input Size224x224 pixels

Training Details

  • Student Architecture: Vision Transformer (ViT-Tiny)
  • Teacher Model: microsoft/dit-large-finetuned-rvlcdip
  • Distillation Method: Knowledge Distillation
  • Input Resolution: 224x224
  • Preprocessing: Standard ImageNet normalization
  • Framework: Transformers/PyTorch
  • Distillation Benefits: Maintains high accuracy with 55x fewer parameters

Dataset

The RVL-CDIP (Ryerson Vision Lab Complex Document Information Processing) dataset contains:

  • 400,000 grayscale document images
  • 16 document categories
  • Images collected from truth tobacco industry documents
  • Standard train/validation/test splits

Citation

@misc{hammale2025vit_tiny_rvlcdip_distilled,
  title={ViT-Tiny Classifier for RVL-CDIP Document Classification (Distilled)},
  author={Hammale, Mourad},
  year={2025},
  howpublished={\url{https://huggingface.co/HAMMALE/vit-tiny-classifier-rvlcdip}},
  note={Knowledge distilled from microsoft/dit-large-finetuned-rvlcdip}
}

Acknowledgments

This model was created by HAMMALE (Mourad) through knowledge distillation from the larger DiT-Large model (microsoft/dit-large-finetuned-rvlcdip), achieving significant compression while maintaining competitive performance for document classification tasks.

License

This model is released under the Apache 2.0 license.

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
19d4bc3

0 моделей