Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Базовая модель: swin-tiny-patch4-window7-224-finetuned-plantdisease
Опубликована: 26 янв 2024

Ссылки

Hugging Face

CGIAR-Crop-disease

Professor

Классификация изображенийИзображение → label3 профессии

Дообученная Swin Transformer для классификации изображений болезней и здорового состояния листьев растений.

10скачиваний за 30 дней5лайковвеса обновлены27 янв 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

Professor/CGIAR-Crop-disease — модель классификации изображений, дообученная на базе gianlab/swin-tiny-patch4-window7-224-finetuned-plantdisease. Она использует архитектуру Swin Transformer и содержит около 33 млн параметров. Модель предназначена для классификации изображений растений по категориям болезней и здорового состояния; базовая модель ориентирована на листья томата, картофеля и сладкого перца.

На оценочном наборе указаны точность 69,64% и функция потерь 0,7438. Эти результаты не описывают состав набора данных или качество на других культурах и условиях съёмки. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Сценарии применения

определение болезни по фотографии листа томата
классификация состояния листьев картофеля
выявление болезней сладкого перца по изображению

Ограничения

В README указана точность 69,64% на оценочном наборе, но не приведены его состав и условия оценки. Назначение базовой модели охватывает листья томата, картофеля и сладкого перца; переносимость на другие культуры не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CGIAR-Crop-disease

This model is a fine-tuned version of gianlab/swin-tiny-patch4-window7-224-finetuned-plantdisease on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.7438
Accuracy: 0.6964

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: 0.001
train_batch_size: 32
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 50
num_epochs: 40

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.0386	1.0	652	0.9385	0.5669
0.9619	2.0	1304	0.9422	0.5811
0.9193	3.0	1956	0.8806	0.6348
0.8876	4.0	2608	0.8703	0.6488
0.8777	5.0	3260	0.8361	0.6607
0.863	6.0	3912	0.8543	0.6417
0.8316	7.0	4564	0.8101	0.6607
0.8301	8.0	5216	0.8197	0.6609
0.8264	9.0	5868	0.8111	0.6720
0.8283	10.0	6520	0.8065	0.6669
0.816	11.0	7172	0.8115	0.6578
0.8263	12.0	7824	0.8029	0.6753
0.8017	13.0	8476	0.7929	0.6707
0.8005	14.0	9128	0.8025	0.6661
0.7989	15.0	9780	0.8153	0.6594
0.7961	16.0	10432	0.8033	0.6720
0.7769	17.0	11084	0.7879	0.6682
0.7757	18.0	11736	0.7868	0.6732
0.7713	19.0	12388	0.7773	0.6747
0.7638	20.0	13040	0.7678	0.6811
0.7645	21.0	13692	0.7826	0.6795
0.7497	22.0	14344	0.7931	0.6807
0.761	23.0	14996	0.7719	0.6820
0.7486	24.0	15648	0.7641	0.6895
0.7446	25.0	16300	0.7686	0.6832
0.7418	26.0	16952	0.7683	0.6904
0.7344	27.0	17604	0.7549	0.6895
0.7369	28.0	18256	0.7501	0.6891
0.7238	29.0	18908	0.7454	0.6933
0.7264	30.0	19560	0.7565	0.6876
0.7185	31.0	20212	0.7524	0.6880
0.7112	32.0	20864	0.7712	0.6807
0.7073	33.0	21516	0.7532	0.6897
0.7102	34.0	22168	0.7457	0.6960
0.7053	35.0	22820	0.7438	0.6964
0.6979	36.0	23472	0.7449	0.6933
0.6973	37.0	24124	0.7477	0.6929
0.6967	38.0	24776	0.7508	0.6926
0.6939	39.0	25428	0.7481	0.6933
0.6936	40.0	26080	0.7460	0.6968

Framework versions

Transformers 4.37.1
Pytorch 2.0.0
Datasets 2.16.1
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: SwinForImageClassification
Ревизия весов: db77b48