/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Библиотека
transformers
Опубликована
8 окт 2024

vit-plant-classification

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT для определения класса растения по изображению.

31скачиваний за 30 дней3лайкавеса обновлены8 окт 2024

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

ahmed792002/vit-plant-classification — дообученная модель Vision Transformer (ViT) для классификации изображений растений. Она основана на google/vit-base-patch16-224 и содержит 113,2 млн параметров. В README указаны точность 0,9933 и loss 0,0182 на оценочном наборе, однако состав классов и данные оценки не описаны.

Модель принимает изображение и выдаёт класс, поэтому её можно применять для распознавания растений по фотографиям. Она реализована для Transformers и опубликована в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • классификация растения на фотографии
  • распознавание растений по снимкам листьев
  • автоматическая сортировка фотографий растений

Ограничения

В README не указаны классы растений, обучающий набор данных и условия оценки; заявленная точность может не переноситься на другие изображения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-plant-classification

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

  • Loss: 0.0182
  • Accuracy: 0.9933

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: 5e-05
  • 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: 5

Training results

Training LossEpochStepValidation LossAccuracy
0.05291.04760.06600.9816
0.06092.09520.02290.9939
0.00123.014280.02050.9951
0.00074.019040.01260.9969
0.00065.023800.01220.9969

Framework versions

  • Transformers 4.45.1
  • Pytorch 2.4.0
  • Datasets 3.0.1
  • Tokenizers 0.20.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTForImageClassification
Ревизия весов
2608031

0 моделей