/ Модель

Характеристики

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

vit-base-oxford-iiit-pets

Классификация изображенийИзображение → label3 профессии

Модель ViT определяет одну из 37 пород кошек и собак на изображении.

682скачиваний за 30 дней0лайковвеса обновлены5 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 MaxPowerUnlimited/vit-base-oxford-iiit-pets — дообученная на датасете Oxford-IIIT Pets модель Vision Transformer от Google для классификации изображений. Она использует архитектуру ViT, разбивающую изображение на патчи, и содержит 113,2 млн параметров. Модель различает 37 пород кошек и собак.

Модель предназначена для определения породы питомца на фотографии, а также может служить базой для дообучения на других наборах изображений животных и для сравнительных экспериментов. На валидационной выборке Oxford-IIIT Pets указана точность 94,59% и значение функции потерь 0,2648.

На изображениях за пределами тематики домашних животных качество может снижаться; модель не оптимизирована для мобильных устройств и периферийных вычислений. Базовая модель — google/vit-base-patch16-224. Веса представлены в формате Safetensors; лицензия — Apache-2.0.

Сценарии применения

  • определение породы кошки по фотографии
  • определение породы собаки по фотографии
  • классификация изображений кошек и собак
  • оценка качества классификатора пород домашних животных
  • дообучение классификатора на изображениях других животных

Ограничения

Качество может снижаться на изображениях вне предметной области домашних животных; модель не оптимизирована для мобильных и периферийных устройств.

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 Oxford-IIIT Pets dataset. It has been trained to classify 37 breeds of cats and dogs.

It achieves the following results on the validation set:

  • Loss: 0.2648
  • Accuracy: 0.9459

Model description

This model is based on ViT (Vision Transformer), a transformer-based architecture for image classification that treats image patches as input tokens, enabling the use of pure transformer architectures on vision tasks.

Fine-tuning was done using the transformers Trainer API from Hugging Face.

Intended uses & limitations

You can use this model for:

  • Classifying breeds of cats and dogs from the Oxford-IIIT Pets dataset.
  • Fine-tuning on other animal classification datasets.
  • Serving as a strong vision transformer baseline for academic or benchmarking purposes.

Limitations:

  • Performance may degrade on images outside of the pet domain.
  • Not optimized for mobile or edge devices.

Training and evaluation data

Dataset used: pcuenq/oxford-pets

  • 7,390 training images
  • 739 validation images
  • 37 breed classes

Training procedure

Hyperparameters

  • Learning rate: 5e-05
  • Train batch size: 32
  • Eval batch size: 8
  • Seed: 42
  • Optimizer: AdamW
  • Scheduler: Linear
  • Epochs: 10

Training results

Training LossEpochStepValidation LossAccuracy
0.36731.01850.36450.9080
0.30682.03700.33290.9161
0.28363.05550.31290.9175
0.25564.07400.29800.9202
0.24115.09250.28720.9215
0.22566.011100.28050.9215
0.23787.012950.27510.9215
0.21768.014800.27170.9215
0.22069.016650.26960.9215
0.217310.018500.26900.9215

Zero-shot evaluation results

Using a CLIP-based benchmark on the same dataset, the following zero-shot performance was observed:

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

Framework versions

  • Transformers: 4.50.3
  • PyTorch: 2.5.1+cu121
  • Datasets: 3.5.0
  • 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
8c6c2cf

0 моделей