/ Модель

Характеристики

Архитектура
customManuel · dense
Опубликована
5 янв 2024

vit_cifar

Классификация изображенийИзображение → label3 профессии

Модель ViT, обученная на CIFAR-10, классифицирует изображения по десяти классам.

26скачиваний за 30 дней0лайковвеса обновлены12 янв 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

Manu8/vit_cifar — модель классификации изображений на основе Vision Transformer (ViT), обученная разработчиком репозитория на наборе CIFAR-10. В карточке описаны Shifted Patch Tokenization (SPT), Locality Self-Attention (LSA), двумерные синусоидальные позиционные эмбеддинги и глобальное усреднение признаков без CLS-токена. Модель обучалась с нуля на небольшом наборе данных.

Модель предназначена для классификации изображений CIFAR-10 по десяти классам. На оценочной выборке карточка приводит точность 86,03% после пяти эпох обучения. В репозитории указаны веса PyTorch в формате safetensors. Лицензия и условия повторного использования в предоставленных данных не описаны.

Сценарии применения

  • классификация изображений CIFAR-10
  • распознавание объектов из десяти классов CIFAR-10
  • эксперименты с Vision Transformer на небольших наборах изображений

Ограничения

Оценочная точность, приведённая в карточке, составляет 86,03% на CIFAR-10; переносимость на другие наборы данных не описана. Условия лицензии в предоставленных материалах отсутствуют.

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_cifar

Recently, the Vision Transformer (ViT), which applied the transformer structure to the image classification task, has outperformed convolutional neural networks. However, the high performance of the ViT results from pre-training using a large-size dataset such as JFT-300M, and its dependence on a large dataset is interpreted as due to low locality inductive bias. This paper proposes Shifted Patch Tokenization (SPT) and Locality Self-Attention (LSA), which effectively solve the lack of locality inductive bias and enable it to learn from scratch even on small-size datasets. Moreover I used a 2D sinusoidal positional embedding, global average pooling (no CLS token). This model is trained on CIFAR10 dataset. It achieves the following results on the evaluation set:

  • eval_loss: 0.6702
  • eval_accuracy: 0.8603
  • eval_runtime: 64.5616
  • eval_samples_per_second: 154.891
  • eval_steps_per_second: 0.62
  • epoch: 5.0
  • step: 980

Model description

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 256
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 5
  • num_epochs: 10

Framework versions

  • Transformers 4.36.2
  • Pytorch 2.1.2+cu121
  • Datasets 2.16.1
  • Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм · image-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
VITModelForImageClassification
Ревизия весов
1c36c94

0 моделей