Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 18 мая 2024

Ссылки

Hugging Face

Chessboard

Nothasan

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT-Base для классификации изображений.

571скачиваний за 30 дней0лайковвеса обновлены20 мая 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

Nothasan/Chessboard — модель классификации изображений на основе Vision Transformer ViT-Base, дообученная автором на датасете imagefolder от google/vit-base-patch16-224-in21k. Веса представлены в формате safetensors; модель содержит 113,2 млн параметров.

Модель предназначена для классификации изображений. По названию репозитория можно предположить связь с шахматной доской, однако карточка не описывает классы и сценарии применения, поэтому конкретное назначение классификатора установить нельзя. Лицензия — Apache-2.0.

Сценарии применения

Классификация изображений по заданным классам
Использование как отправной точки для дообучения классификатора изображений
Интеграция классификации изображений в приложение на базе Transformers

Ограничения

Карточка не сообщает, какие классы предсказывает модель и каковы результаты её оценки, поэтому пригодность для конкретного набора изображений не установлена.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

network

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the imagefolder dataset.

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: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3.0

Training results

Framework versions

Transformers 4.40.2
Pytorch 2.3.0+cu121
Datasets 2.19.1
Tokenizers 0.19.1

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: 7f5c05f