Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 20 мар 2024

Ссылки

Hugging Face

Wound-classification

Hemg

Классификация изображенийИзображение → label

Дообученный Vision Transformer для классификации изображений ран.

47скачиваний за 30 дней1лайквеса обновлены20 мар 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

Hemg/Wound-classification — модель классификации изображений ран, созданная дообучением Vision Transformer ViT-Base на основе google/vit-base-patch16-224-in21k. Она принимает изображения и относит их к классам, заданным при обучении. В карточке приведены результаты на оценочной выборке: accuracy 0,9575 и loss 0,1836.

Модель подходит для экспериментов и прототипов автоматической классификации изображений ран. Использование в клинической практике не подтверждено: набор данных, перечень классов и условия оценки не раскрыты. Модель содержит 113,2 млн параметров, сохранена в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

классификация фотографий ран по обученным категориям
автоматическая сортировка изображений ран для последующего анализа
создание прототипа системы визуального анализа ран

Ограничения

Данные обучения, категории классов и подробности оценки не приведены, поэтому метрики нельзя уверенно переносить на другие наборы изображений. Пригодность для диагностики или клинических решений не установлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wound-classification

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:

Loss: 0.1836
Accuracy: 0.9575

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: 0.0002
train_batch_size: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 8
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.01
num_epochs: 16

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.1241	1.0	200	0.7452	0.765
0.5854	2.0	400	0.4880	0.835
0.4279	3.0	600	0.5049	0.8375
0.4041	4.0	800	0.3321	0.8975
0.2805	5.0	1000	0.4105	0.895
0.279	6.0	1200	0.4269	0.8825
0.1782	7.0	1400	0.3583	0.905
0.1834	8.0	1600	0.3009	0.925
0.1197	9.0	1800	0.3020	0.93
0.1231	10.0	2000	0.3352	0.9225
0.1273	11.0	2200	0.2908	0.91
0.1019	12.0	2400	0.2528	0.94
0.0951	13.0	2600	0.2989	0.9325
0.0957	14.0	2800	0.3189	0.9325
0.0618	15.0	3000	0.1973	0.9475
0.0583	16.0	3200	0.1836	0.9575

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: 18f9e50