Характеристики

Контекст: 512 токенов
Лицензия: MIT
Архитектура: distilbert · dense
Опубликована: 9 июл 2026

Ссылки

Hugging Face

ugalibot-micro-topic-classifier

Mwau

Классификация текстаТекст → label

Дообученный DistilBERT классифицирует короткие описания объектов по 94 тематическим категориям с названиями на кикумба.

8скачиваний за 30 дней0лайковвеса обновлены9 июл 2026

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

UgaliBot Micro-Topic Classifier — это дообученный DistilBERT, разработанный для классификации коротких описаний объектов по 94 узким категориям с названиями на языке кикумба. Модель принимает текст и возвращает категорию; среди классов есть еда, предметы быта, транспорт, места и культурные объекты.

На отложенной тестовой выборке точность составила 0,7979, а взвешенная F1-мера — 0,7701. Контекст модели — 512 токенов. Модель распространяется по лицензии MIT; она дообучена на основе distilbert/distilbert-base-uncased.

Сценарии применения

Классификация коротких описаний объектов по категориям
Разметка предметов быта, еды и транспорта
Распознавание культурных объектов и мест в описаниях

Ограничения

Модель предназначена для коротких описаний объектов и набора из 94 заданных классов; на отложенной тестовой выборке точность составила около 80%, поэтому возможны ошибки классификации.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

UgaliBot Micro-Topic Classifier

Fine-tuned distilbert/distilbert-base-uncased for micro-topic classification of short object descriptions into 94 fine-grained classes (Kikamba names).

Performance (held-out test set)

Accuracy: 0.7979
F1 (weighted): 0.7701

Labels

Abaya, Biogas, Bodaboda, Chai, Chapati, Dera, Fort Jesus, Hijab, Iko, Ikonĩ, Ikwa, Isyo, Ivanda, Juakalĩ, Juisi, Kachumbari, Kamii, Kamongo, Kanisa, Kit Mikayi, Kyondo (basket carried on the head), Kĩkaangi, Kĩlumĩ, Kĩsululu, Kĩsũkũũ, Kĩthembe, Kĩthima (well), Kĩtũngũũ (Onion), Kĩvĩla (chair), Lelũ ( road), Leso, M-Pesa, Maalu (Potato), Maandamano (Protest), Maandazi, Maembe (mango), Makwasĩ (Sweet Potato), Malondu (sheep), Malũlũ (jerry cans, water cans), Mama mboga, Masũa (beaded bracelets), Matatũ (matatu), Mbemba (maize), Mbuta (Nile Perch), Mbĩlĩka (kettle), Mbũi (goat), Mkokoteni (handcart), Mwatũ (beehive), Mũomo wa Omani (omani doors), Mũsikiti (Mosque at Gede Ruins), Mũsuko (braids), Mũĩmi (Farmer), Nathi (coconut), Ndata (walking stick), Ndeengũ (cooked or uncooked greengrams), Ndĩĩ (mortar & pestle), Ngege (Luo) (Tilapia), Ngima (ugali), Ngovia (hats), Ngũ (firewood), Ngũkũ (Chicken), Ngũlũ (jaggery, cane sugar), Ngũlũe (Pigs), Njũkũ (groundnuts), Nyama Choma, Nyanya (Tomato), Nyũmba ya mavati (house made exclusively of iron sheets), Nyũmba ya ndaka (modern earthen house with corrugated iron roofing), Omena. Omena are culturally relavant., Owalo, Sandara (Tamarind), Siatũ (Shoes), Soda, Soko (Market), Sukuma (kales), Taa (lamp), Tuktuk, Vasco da Gama Pillar, Vidaka (arches for displaying valuables at gede ruins), Vundi (mason), Yĩembe (hoe), Yĩiu (banana tree), Yĩiya ya Victoria (Lake Victoria), Yĩiyu ya mũlalu (Ndizi tamu), ikundi (Passion fruit), Ĩnanasi, Ĩsilia, Ĩtalũ, Ĩtikitiki, Ĩvuti, Ũsũũ (uji, porridge), Ũtuti (broom), Ũvanga (machete), Ũvyũ (Khanjar: Oman curved dagger)

Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tokenizer = AutoTokenizer.from_pretrained("Mwau/ugalibot-micro-topic-classifier")
model = AutoModelForSequenceClassification.from_pretrained("Mwau/ugalibot-micro-topic-classifier")

inputs = tokenizer("your object description here", return_tensors="pt", truncation=True, max_length=256)
with torch.no_grad():
    logits = model(**inputs).logits
pred_id = logits.argmax(-1).item()
print(model.config.id2label[pred_id])

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: f919b01