Характеристики

Лицензия: Apache 2.0
Архитектура: resnet · dense
Базовая модель: resnet-50
Опубликована: 15 дек 2023

Ссылки

Hugging Face

msi-resnet-pretrain

Nubletz

Классификация изображенийИзображение → label

Дообученная ResNet-50 для классификации изображений.

8скачиваний за 30 дней0лайковвеса обновлены16 дек 2023

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

Nubletz/msi-resnet-pretrain — модель классификации изображений, созданная дообучением microsoft/resnet-50 на датасете imagefolder. Она использует сверточную архитектуру ResNet-50 v1.5 и распространяется в формате safetensors по лицензии Apache-2.0.

Модель предназначена для отнесения изображений к классам. В README указаны результаты на оценочной выборке: accuracy 0,8862 и loss 0,3514. Назначение классов и состав обучающих данных подробнее не описаны, поэтому применимость к конкретным категориям изображений по доступным сведениям определить нельзя.

Сценарии применения

Классификация изображений по обученным классам
Автоматическая категоризация изображений в коллекции
Добавление классификатора изображений в приложение на базе Transformers

Ограничения

README не сообщает, какие классы распознаёт модель и на каких конкретно данных она обучалась; указанные метрики относятся только к оценочной выборке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

msi-resnet-pretrain

This model is a fine-tuned version of microsoft/resnet-50 on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 0.3514
Accuracy: 0.8862

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: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.4387	1.0	1562	0.3894	0.8795
0.2626	2.0	3125	0.3142	0.9024
0.2134	3.0	4687	0.3767	0.8694
0.1452	4.0	6250	0.3211	0.8947
0.1773	5.0	7810	0.3514	0.8862

Framework versions

Transformers 4.36.1
Pytorch 2.0.1+cu118
Datasets 2.15.0
Tokenizers 0.15.0

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: ResNetForImageClassification
Ревизия весов: 82ba5f8