/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

vit-huge-isic-patch-14

ahishamm
Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации дерматологических изображений на основе набора ISIC.

183скачиваний 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

Модель ahishamm/vit-huge-isic-patch-14 — дообученная модель классификации изображений на базе google/vit-huge-patch14-224-in21k, созданная на наборе ahishamm/isic_db. Она использует архитектуру Vision Transformer (ViT) и предназначена для классификации изображений в задаче, связанной с дерматологическими снимками. На оценочной выборке указаны accuracy, recall, precision и F1 по 0,7917, loss — 0,6077.

Модель содержит около 838,9 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. README не раскрывает классы, состав набора данных и клинические ограничения, поэтому метрики не подтверждают пригодность для диагностики.

Сценарии применения

  • классификация дерматологических снимков
  • экспериментальная оценка изображений кожи
  • сравнение моделей классификации на данных ISIC

Ограничения

В README приведены метрики на оценочной выборке, но не описаны классы, состав данных и методика оценки. Пригодность для клинической диагностики не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейIV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделейII.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

vit-huge-isic-patch-14

This model is a fine-tuned version of google/vit-huge-patch14-224-in21k on the ahishamm/isic_db dataset. It achieves the following results on the evaluation set:

  • Loss: 0.6077
  • 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
f76c453

0 моделей

    Создать бенчмарк