Характеристики

Параметры: 58,7 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Опубликована: 23 дек 2022

Ссылки

Hugging Face

swin-base-finetuned-cifar100

MazenAmria

Классификация изображенийИзображение → label

Swin Transformer, дообученный на CIFAR-100 для классификации изображений по 100 классам.

126скачиваний за 30 дней2лайкавеса обновлены23 дек 2022

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

MazenAmria/swin-base-finetuned-cifar100 — модель классификации изображений на архитектуре Swin Transformer, дообученная на наборе CIFAR-100 на основе microsoft/swin-base-patch4-window7-224. Она содержит 58,7 млн параметров и предназначена для отнесения изображений к классам CIFAR-100. На указанной в карточке оценочной выборке модель достигла accuracy 0,9201 и loss 0,3670. Распространяется в формате PyTorch по лицензии Apache-2.0.

Модель подходит для экспериментов и прикладных задач распознавания изображений в пределах классов CIFAR-100. Результаты на других наборах данных или вне этого набора классов в карточке не приведены; сведения о конкретных ограничениях и условиях обучения не раскрыты.

Сценарии применения

классификация изображений CIFAR-100
распознавание объектов на небольших изображениях
оценка качества классификаторов изображений
эксперименты с Swin Transformer на CIFAR-100

Ограничения

Модель адаптирована к классам CIFAR-100; перенос результатов на другие наборы данных карточкой не подтверждён. Подробные ограничения и условия обучения не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

swin-base-finetuned-cifar100

This model is a fine-tuned version of microsoft/swin-base-patch4-window7-224 on the cifar100 dataset. It achieves the following results on the evaluation set:

Accuracy: 0.9201
Loss: 0.3670

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: 4e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 5

Training results

Training Loss	Epoch	Step	Accuracy	Validation Loss
0.3536	1.0	781	0.9052	0.3141
0.3254	2.0	1562	0.9117	0.2991
0.0936	3.0	2343	0.9138	0.3322
0.1054	4.0	3124	0.9158	0.3483
0.0269	5.0	3905	0.9201	0.3670

Framework versions

Transformers 4.25.1
Pytorch 1.13.0+cu116
Datasets 2.8.0
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: 12f6e14