Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Библиотека: transformers
Опубликована: 25 июн 2026

Ссылки

Hugging Face

vit-beans-boosted

LeonSigal

Классификация изображенийИзображение → label

Дообученная модель ViT для классификации изображений, вероятно ориентированная на изображения бобов.

6скачиваний за 30 дней0лайковвеса обновлены25 июн 2026

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

LeonSigal/vit-beans-boosted — модель классификации изображений на базе Vision Transformer ViT, дообученная на основе google/vit-base-patch16-224-in21k. Веса содержат 113,2 млн параметров и распространяются в формате safetensors; модель подготовлена для библиотеки Transformers.

По названию модели можно предположить, что она предназначена для классификации изображений бобов, однако README не подтверждает набор классов и область применения. На оценочном наборе, описанном в карточке, указаны точность 0,985 и значение loss 0,0531; состав набора и условия оценки не приведены. Лицензия — Apache-2.0.

Сценарии применения

Классификация изображений бобов
Распознавание классов на изображениях из целевого набора данных
Оценка изображений с помощью дообученного Vision Transformer

Ограничения

Назначение для изображений бобов предполагается по названию, но README не описывает датасет и классы. Показатели оценки приведены без сведений о составе данных и методике.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-beans-boosted

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: 0.0531
Accuracy: 0.9850

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: 32
eval_batch_size: 32
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.1
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.7626	1.0	33	0.2192	0.9323
0.1229	2.0	66	0.1659	0.9323
0.1166	3.0	99	0.0531	0.9850
0.0420	4.0	132	0.0555	0.9850
0.0267	5.0	165	0.0341	0.9850

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 4.8.5
Tokenizers 0.22.2

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: ae827c1