Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 28 июн 2023

Ссылки

Hugging Face

vit-base-isic-patch-16

ahishamm

Классификация изображенийИзображение → label

Дообученная модель ViT для классификации изображений из набора ISIC в дерматологических задачах.

123скачиваний за 30 дней0лайковвеса обновлены28 июн 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

ahishamm/vit-base-isic-patch-16 — модель классификации изображений на архитектуре Vision Transformer (ViT), разработанная на основе google/vit-base-patch16-224-in21k и дообученная автором на наборе ahishamm/isic_db. Она предназначена для классификации изображений в задачах дерматологии, связанных с набором ISIC. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch по лицензии Apache-2.0.

На оценочной выборке указаны accuracy, recall, precision и F1 по 0,7917, а loss — 0,6220. README не уточняет классы классификации и описывает сценарии применения и ограничения как требующие дополнительной информации, поэтому приведённые метрики не позволяют судить о качестве для клинического использования.

Сценарии применения

Классификация дерматологических изображений из набора ISIC
Экспериментальная оценка классификатора на данных ISIC

Ограничения

В README не приведены названия классов и подробные ограничения; метрики указаны только для оценочной выборки ISIC и сами по себе не подтверждают пригодность для клинической диагностики.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-isic-patch-16

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the ahishamm/isic_db dataset. It achieves the following results on the evaluation set:

Loss: 0.6220
Accuracy: 0.7917
Recall: 0.7917
F1: 0.7917
Precision: 0.7917

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: 0.0002
train_batch_size: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4

Training results

Framework versions

Transformers 4.30.2
Pytorch 2.0.1+cu118
Datasets 2.13.1
Tokenizers 0.13.3

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: ViTForImageClassification
Ревизия весов: 3445281