Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224
Библиотека: transformers
Опубликована: 9 мая 2026

Ссылки

Hugging Face

vit-base-ham10000

PREMAADC

Классификация изображенийИзображение → label

Дообученная на HAM10000 модель ViT классифицирует изображения кожных поражений.

124скачиваний за 30 дней0лайковвеса обновлены11 мая 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

PREMAADC/vit-base-ham10000 — модель компьютерного зрения, дообученная на наборе HAM10000 на основе Vision Transformer google/vit-base-patch16-224. Она предназначена для классификации изображений кожных поражений и может применяться для исследовательской сортировки дерматологических снимков. Модель содержит 113,2 млн параметров и распространяется в формате safetensors для библиотеки Transformers.

На оценочной выборке HAM10000 указана точность 0,7848 и значение loss 0,5809. Эти результаты относятся к конкретной оценочной выборке и сами по себе не подтверждают пригодность модели для клинической диагностики. Лицензия — Apache-2.0.

Сценарии применения

классификация изображений кожных поражений
экспериментальная сортировка дерматологических снимков
оценка качества классификатора на HAM10000

Ограничения

Указанная точность 0,7848 измерена на оценочной выборке HAM10000 и не гарантирует качество на других данных или пригодность для клинических решений. README не приводит подробностей о классах, методике обучения и ограничениях применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-ham10000

This model is a fine-tuned version of google/vit-base-patch16-224 on the HAM10000 dataset. It achieves the following results on the evaluation set:

Loss: 0.5809
Accuracy: 0.7848

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: 0.0003
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6898	1.0	501	0.6788	0.7474
0.5914	2.0	1002	0.6237	0.7664
0.6228	3.0	1503	0.6005	0.7763
0.5843	4.0	2004	0.5855	0.7848
0.5569	5.0	2505	0.5809	0.7848

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: a124a31