Характеристики

Параметры: 163 млн
Архитектура: vit · dense
Опубликована: 21 июл 2022

Ссылки

Hugging Face

ViT-chess-V4

Migga

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT с 162,7 млн параметров для классификации изображений.

1 336скачиваний за 30 дней0лайковвеса обновлены21 июл 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

Migga/ViT-chess-V4 — модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная пользователем Migga. В репозитории указано, что это дообученная модель, однако базовая модель и обучающий набор данных не названы. Модель содержит около 162,7 млн параметров и доступна в формате PyTorch.

Модель предназначена для классификации изображений. В карточке приведены результаты оценки: loss 4,2867 и accuracy 0,1942. Эти показатели указывают на ограниченное качество в описанной оценке; сценарии применения и классы, которые модель распознаёт, не раскрыты. Лицензия в предоставленных сведениях не указана.

Сценарии применения

Классификация изображений в задаче, для которой модель обучалась
Экспериментальная оценка ViT-классификатора

Ограничения

Карточка не раскрывает распознаваемые классы, обучающие данные и базовую модель; на оценочном наборе указана точность 0,1942. Лицензия в предоставленных сведениях отсутствует.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViT-chess-V4

This model is a fine-tuned version of on the None dataset. It achieves the following results on the evaluation set:

Loss: 4.2867
Accuracy: 0.1942

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: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
5.4877	1.0	45000	5.4554	0.1044
4.9794	2.0	90000	5.0001	0.1371
4.5956	3.0	135000	4.6720	0.1596
4.3402	4.0	180000	4.4082	0.1834
4.097	5.0	225000	4.2867	0.1942

Framework versions

Transformers 4.18.0
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 · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: 42c638f