Характеристики

Параметры: 120 млн
Лицензия: Apache 2.0
Архитектура: beit · dense
Опубликована: 2 окт 2022

Ссылки

Hugging Face

serverless-roomsort

ShuaHousetable

Классификация изображенийИзображение → label3 профессии

Дообученная BEiT-модель для классификации изображений комнат и их сортировки по классам.

510скачиваний за 30 дней1лайквеса обновлены13 ноя 2022

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

ShuaHousetable/serverless-roomsort — модель классификации изображений на архитектуре BEiT, дообученная на основе microsoft/beit-base-patch16-224-pt22k-ft22k. Она предназначена для сортировки изображений комнат по классам. В README указаны точность 0,9892 и loss 0,0394 на оценочной выборке, но набор данных и сами классы не описаны.

Модель содержит 119,5 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Сведения о конкретных классах, условиях оценки и практических ограничениях в карточке отсутствуют.

Сценарии применения

Классификация фотографий комнат
Автоматическая сортировка изображений комнат по категориям
Оценка изображений комнат в конвейере компьютерного зрения

Ограничения

В README не указаны набор данных, перечень классов и условия оценки, поэтому метрики нельзя уверенно переносить на другие данные. Модель описана только для сортировки изображений комнат.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

serverless-roomsort

This model is a fine-tuned version of microsoft/beit-base-patch16-224-pt22k-ft22k on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0394
Accuracy: 0.9892

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: 2e-05
train_batch_size: 16
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 500
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.7844	1.0	762	0.0608	0.9791
0.0361	2.0	1524	0.0626	0.9830
0.0149	3.0	2286	0.0468	0.9879
0.0027	4.0	3048	0.0394	0.9892
0.0017	5.0	3810	0.0486	0.9889

Framework versions

Transformers 4.17.0
Pytorch 1.10.2+cu113
Datasets 1.18.4
Tokenizers 0.13.0

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: BeitForImageClassification
Ревизия весов: 2900f1e