Дообученная ResNeSt-101e классифицирует фрагменты исторических карт по наличию железнодорожных участков и зданий.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
mr_resnest101e_finetuned_OS_6inch_2nd_ed_railspace_and_building — модель классификации изображений на основе ResNeSt-101e, дообученная на картах OS 2nd edition размером 6 дюймов с данными MapReader 2022. Это воспроизведение модели из статьи MapReader 2021 года, предназначенное для анализа карт и распознавания наличия железнодорожных участков и зданий. Модель относит изображения к одному из четырёх классов: отсутствие целевых объектов, railspace, building или сочетание railspace и building.
Модель создана для задач MapReader по классификации фрагментов карт. Репозиторий распространяет веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает метрики качества или подробные сведения о размере входного изображения и условиях обучения.
Классификация ограничена четырьмя классами, связанными с railspace и зданиями на картах OS 2nd edition размером 6 дюймов. В карточке нет метрик качества и данных о проверке на других типах карт.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
Resnest10e model fine-tuned on OS 2nd edition 6-inch maps from MapReader 2022 data.
This is a reproduction of the model in the MapReader 2021 paper.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · timm · image-classification
Подбираем GPU…