/ Модель
Каталог

Характеристики

Архитектура
vision-encoder-decoder · dense
Опубликована
25 июл 2022

Ссылки

Hugging Face

ViT-BERT-Chess-V2

Migga
Изображение и текст → текст3 профессии

Экспериментальная модель VisionEncoderDecoder для генерации текста по изображению, название которой указывает на связь с шахматами.

220скачиваний за 30 дней0лайковвеса обновлены25 июл 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Migga/ViT-BERT-Chess-V2 — дообученная модель на базе архитектуры VisionEncoderDecoder, которая принимает изображение и генерирует текст. По названию она связана с шахматами, однако README не описывает её конкретное назначение, обучающие данные или сценарии применения; метаданные подтверждают только задачу image-text-to-text и поддержку зрения. В README приведено значение функции потерь 3,7128 на оценочном наборе.

Модель опубликована в формате PyTorch. Базовая модель и лицензия в предоставленных сведениях не обозначены. Без описания данных и результатов нельзя оценить качество распознавания или генерации текста и установить, какие именно шахматные задачи она решает.

Сценарии применения

  • генерация текстового описания изображения шахматной позиции

Ограничения

README не раскрывает обучающий набор, конкретные возможности и ограничения применения; указанная оценка loss сама по себе не позволяет судить о практическом качестве. Лицензия и базовая модель не установлены по предоставленным сведениям.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейIV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модельI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViT-BERT-Chess-V2

This model is a fine-tuned version of on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 3.7128

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: 2e-05
  • train_batch_size: 10
  • eval_batch_size: 4
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 3

Training results

Training LossEpochStepValidation Loss
4.03851.027703.9132
3.74532.055403.7552
3.65133.083103.7128

Framework versions

  • Transformers 4.20.1
  • Pytorch 1.11.0
  • Datasets 2.1.0
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
3192e80

0 моделей

    Создать бенчмарк