/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Библиотека
transformers
Опубликована
1 апр 2025

vit-base-oxford-iiit-pets

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer распознаёт 37 пород кошек и собак на изображениях из набора Oxford-IIIT Pet.

173 тыс.скачиваний за 30 дней2лайкавеса обновлены11 апр 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

Модель ISxOdin/vit-base-oxford-iiit-pets — дообученный разработчиком ISxOdin Vision Transformer Google для классификации изображений кошек и собак по 37 породам из набора Oxford-IIIT Pet. Она принимает изображение и возвращает класс породы; в README указана точность 0,9445 на тестовой выборке. Модель построена на google/vit-base-patch16-224, содержит 113,2 млн параметров и доступна в формате safetensors для библиотеки Transformers.

Модель подходит для учебных демонстраций переноса обучения, классификации пород на изображениях, похожих на данные Oxford-IIIT Pet, и сравнения с zero-shot классификаторами. Она может хуже распознавать породы и условия съёмки, не представленные в обучающем наборе; наиболее подходящи чёткие изображения питомцев, снятых крупным планом. Не предназначена для медицинских и критически важных решений. Лицензия — Apache 2.0.

Сценарии применения

  • определение породы кошки на фотографии
  • определение породы собаки на фотографии
  • классификация питомцев по изображениям из набора Oxford-IIIT Pet
  • учебная демонстрация дообучения Vision Transformer
  • сравнение классификации пород с zero-shot моделями

Ограничения

Модель может плохо обобщать на породы и условия съёмки, отличающиеся от Oxford-IIIT Pet; для лучших результатов нужны чёткие изображения питомцев крупным планом. Не предназначена для медицинских или критически важных применений.

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

vit-base-oxford-iiit-pets

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

  • Loss: 0.1924
  • Accuracy: 0.9445

Model description

This model is a fine-tuned version of a pre-trained Vision Transformer (google/vit-base-patch16-224) for image classification on the Oxford-IIIT Pet Dataset. It uses transfer learning to adapt a generic vision model to identify 37 different cat and dog breeds. The model head is adjusted to output the number of classes in the dataset, and it is trained end-to-end using standard classification loss.


Intended uses & limitations

Intended Uses:

  • Educational demos on transfer learning and fine-tuning vision models.
  • Pet breed classification in structured datasets similar to Oxford Pets.
  • Comparative analysis with zero-shot models like CLIP.

Limitations:

  • May not generalize well to breeds outside of the Oxford-IIIT dataset.
  • Not suitable for real-world medical or safety-critical applications.
  • Input images should be clear, centered, and close in style to the training data (cropped pet portraits).

Training and evaluation data

The model is trained and evaluated on the Oxford-IIIT Pet Dataset, which contains 7,349 images of cats and dogs spanning 37 different breeds. The dataset includes equal representation of pets and was split into training, validation, and test sets. Evaluation metrics used include accuracy, precision, and recall.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossAccuracy
0.37161.03700.30130.9242
0.20482.07400.23420.9310
0.17643.011100.21240.9350
0.16174.014800.20500.9350
0.12355.018500.20320.9350

Zero-Shot Classification Evaluation (CLIP)

Evaluated the Oxford-IIIT Pet dataset using a zero-shot image classification model: openai/clip-vit-base-patch32. Instead of training, the CLIP model was evaluated using a list of breed names (e.g., "Siamese", "Persian", "Chihuahua") as candidate labels for zero-shot classification.

Evaluation Results:

  • Accuracy: 0.8800
  • Precision: 0.8768
  • Recall: 0.8800

image/png

Framework versions

  • Transformers 4.50.0
  • Pytorch 2.6.0+cu124
  • Datasets 3.4.1
  • Tokenizers 0.21.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTForImageClassification
Ревизия весов
6fcb4ce

0 моделей