Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 28 июн 2023

Ссылки

Hugging Face

vit-large-isic-patch-16

ahishamm

Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации дерматологических изображений из набора ISIC.

366скачиваний 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-large-isic-patch-16 — модель классификации изображений на базе архитектуры Vision Transformer (ViT), дообученная автором на наборе данных ahishamm/isic_db. Она предназначена для классификации дерматологических изображений в рамках задачи, представленной этим датасетом. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch.

В README приведены результаты на оценочной выборке: accuracy, recall, F1 и precision по 0,75, loss — 0,7317. Модель опубликована по лицензии Apache-2.0. Сведения о конкретных классах, клинической валидации и ограничениях применения не приведены; результаты на оценочной выборке сами по себе не подтверждают пригодность для диагностики.

Сценарии применения

Классификация дерматологических изображений в сценариях, соответствующих классам датасета ISIC
Оценка изображений кожи в экспериментальных ML-конвейерах
Сравнение результатов классификации медицинских изображений

Ограничения

README не указывает классы и ограничения модели. Результаты оценки не свидетельствуют о клинической валидации или пригодности для постановки диагноза.

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 000моделей IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-large-isic-patch-16

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

Loss: 0.7317
Accuracy: 0.75
Recall: 0.75
F1: 0.75
Precision: 0.75

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: 48d1b19