Компактная модель ViT-Tiny для классификации изображений по десяти классам CIFAR-10.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
TestingProfile111/cifar10-vit-tiny — компактная модель классификации изображений, дообученная разработчиком на основе WinKawaks/vit-tiny-patch16-224 на датасете CIFAR-10. Она использует архитектуру Vision Transformer (ViT-Tiny), содержит 7,1 млн параметров и предназначена для отнесения изображений к одному из десяти классов: самолёт, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль или грузовик. В описанном тестировании модель достигла точности и macro F1 0,9613.
Модель подходит для классификации небольших изображений в сценариях, связанных с категориями CIFAR-10. Обучение проведено на 10 000 изображениях; результат на тестовой выборке не гарантирует аналогичного качества на изображениях других типов и распределений. Данных о лицензии в предоставленных источниках нет.
Обучение проводилось на 10 000 изображениях CIFAR-10, поэтому качество на других наборах данных и типах изображений может отличаться. Указанная точность относится к тестовой выборке CIFAR-10.
README от автора на Hugging Face, как он его опубликовал
Fine-tuned WinKawaks/vit-tiny-patch16-224 on uoft-cs/cifar10 (Google Colab T4, tracked with MLflow).
Training images used: 10000.
Classes: airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · image-classification
Подбираем GPU…