Характеристики

Лицензия: CC BY-NC-SA 4.0
Опубликована: 27 ноя 2024

Ссылки

Hugging Face

SP85M

MountSinaiCompPath

Эмбеддинги изображенийИзображение → embedding

SP85M — обученная на гистологических H&E-слайдах модель ViT-base для извлечения признаков из изображений тканей.

0скачиваний за 30 дней7лайковвеса обновлены29 ноя 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

SP85M — модель компьютерного зрения для извлечения признаков из гистологических изображений, разработанная Mount Sinai Health System. Это ViT-base с 85 млн параметров, обученная на 423 000 H&E-слайдах. Модель предназначена для получения визуальных представлений изображений тканей, которые можно использовать в последующем анализе патологии.

Репозиторий содержит веса PyTorch. Модель ориентирована на изображения, а язык карточки — английский. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и требует распространять адаптации на тех же условиях; коммерческое использование не разрешено.

Сценарии применения

извлечение признаков из H&E-слайдов
получение векторных представлений гистологических изображений
подготовка визуальных признаков для последующего анализа патологии

Ограничения

Карточка не описывает метрики качества и конкретные диагностические задачи; извлечённые признаки сами по себе не являются диагнозом. Лицензия запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SP85M

ViT-base (85M parameters) trained on 423,000 H&E slides from the Mount Sinai Health System.

Model Usage

To get started, first clone the repository with this command:

  git clone --no-checkout https://huggingface.co/MountSinaiCompPath/SP85M && cd SP85M && git sparse-checkout init --no-cone && git sparse-checkout set '/*' '!*.bin' && git checkout

Now you can use the following code:

from PIL import Image
import numpy as np
import vision_transformer
import torch
import torch.nn as nn
import torchvision.transforms as transforms
from huggingface_hub import PyTorchModelHubMixin

class SP85M(nn.Module, PyTorchModelHubMixin):
    def __init__(self):
        super().__init__()
        self.encoder = vision_transformer.vit_small(num_classes=0)
    
    def forward(self, x):
        return self.encoder(x)

# Download up model
model = SP85M.from_pretrained("MountSinaiCompPath/SP85M")

# Set up transform
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))
])

# Image
img = np.random.randint(0, 256, size=224*224*3).reshape(224,224,3).astype(np.uint8)
img = Image.fromarray(img)
img = transform(img).unsqueeze(0)

# Inference
with torch.no_grad():
    h = model(img)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: 34b73d2