Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Опубликована: 28 авг 2022

Ссылки

Hugging Face

delivery_truck_classification

JEdward7777

Классификация изображенийИзображение → label3 профессии

Дообученная Swin-Tiny классифицирует изображения, в том числе изображения грузовиков доставки.

148скачиваний за 30 дней2лайкавеса обновлены30 янв 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 JEdward7777/delivery_truck_classification — дообученная версия Swin-Tiny для классификации изображений. Она использует архитектуру Swin Transformer и содержит 33 млн параметров. Модель предназначена для распознавания категорий на изображениях, в частности для классификации грузовиков доставки.

В README указаны точность 0,9733 и значение loss 0,1787 на оценочном наборе данных imagefolder. Модель принимает изображения и выдаёт метки классов. Она опубликована в формате PyTorch по лицензии Apache-2.0. Подробности о составе классов и ограничениях применения не приведены.

Сценарии применения

классификация изображений грузовиков доставки
распознавание категорий транспортных средств на изображениях
автоматическая сортировка фотографий грузовиков

Ограничения

Состав классов и характеристики обучающих данных не описаны. Указанная точность относится только к оценочному набору из карточки и не гарантирует такое же качество на других изображениях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей IV.7Отраслевые задачиЦепочки поставок, склады, логистика и международная торговляAI помогает планировать сеть поставок, склады, перевозки и международное движение товаров.42 задачи392модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

delivery_truck_classification

This model is a fine-tuned version of microsoft/swin-tiny-patch4-window7-224 on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 0.1787
Accuracy: 0.9733

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: 60

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	0.91	5	0.1787	0.9733
No log	1.91	10	0.1787	0.9733
No log	2.91	15	0.1787	0.9733
0.3799	3.91	20	0.1787	0.9733
0.3799	4.91	25	0.1787	0.9733
0.3799	5.91	30	0.1787	0.9733
0.3799	6.91	35	0.1787	0.9733
0.3648	7.91	40	0.1787	0.9733
0.3648	8.91	45	0.1787	0.9733
0.3648	9.91	50	0.1787	0.9733
0.3648	10.91	55	0.1787	0.9733
0.3954	11.91	60	0.1787	0.9733
0.3954	12.91	65	0.1787	0.9733
0.3954	13.91	70	0.1787	0.9733
0.3954	14.91	75	0.1787	0.9733
0.3926	15.91	80	0.1787	0.9733
0.3926	16.91	85	0.1787	0.9733
0.3926	17.91	90	0.1787	0.9733
0.3926	18.91	95	0.1787	0.9733
0.3801	19.91	100	0.1787	0.9733
0.3801	20.91	105	0.1787	0.9733
0.3801	21.91	110	0.1787	0.9733
0.3801	22.91	115	0.1787	0.9733
0.3815	23.91	120	0.1787	0.9733
0.3815	24.91	125	0.1787	0.9733
0.3815	25.91	130	0.1787	0.9733
0.3815	26.91	135	0.1787	0.9733
0.3955	27.91	140	0.1787	0.9733
0.3955	28.91	145	0.1787	0.9733
0.3955	29.91	150	0.1787	0.9733
0.3955	30.91	155	0.1787	0.9733
0.3854	31.91	160	0.1787	0.9733
0.3854	32.91	165	0.1787	0.9733
0.3854	33.91	170	0.1787	0.9733
0.3854	34.91	175	0.1787	0.9733
0.3949	35.91	180	0.1787	0.9733
0.3949	36.91	185	0.1787	0.9733
0.3949	37.91	190	0.1787	0.9733
0.3949	38.91	195	0.1787	0.9733
0.423	39.91	200	0.1787	0.9733
0.423	40.91	205	0.1787	0.9733
0.423	41.91	210	0.1787	0.9733
0.423	42.91	215	0.1787	0.9733
0.3761	43.91	220	0.1787	0.9733
0.3761	44.91	225	0.1787	0.9733
0.3761	45.91	230	0.1787	0.9733
0.3761	46.91	235	0.1787	0.9733
0.3673	47.91	240	0.1787	0.9733
0.3673	48.91	245	0.1787	0.9733
0.3673	49.91	250	0.1787	0.9733
0.3673	50.91	255	0.1787	0.9733
0.3639	51.91	260	0.1787	0.9733
0.3639	52.91	265	0.1787	0.9733
0.3639	53.91	270	0.1787	0.9733
0.3639	54.91	275	0.1787	0.9733
0.4031	55.91	280	0.1787	0.9733
0.4031	56.91	285	0.1787	0.9733
0.4031	57.91	290	0.1787	0.9733
0.4031	58.91	295	0.1787	0.9733
0.3787	59.91	300	0.1787	0.9733

Framework versions

Transformers 4.26.0
Pytorch 1.13.1+cu116
Datasets 2.9.0
Tokenizers 0.13.2

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: SwinForImageClassification
Ревизия весов: 269885d