Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 3 ноя 2023

Ссылки

Hugging Face

vit-base-age-classification

akashmaggon

Классификация изображенийИзображение → label3 профессии

Модель ViT-Base, дообученная на fair_face для классификации возраста по изображениям лиц.

52скачиваний за 30 дней1лайквеса обновлены3 ноя 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

akashmaggon/vit-base-age-classification — модель классификации изображений на основе Vision Transformer ViT-Base, дообученная на наборе данных fair_face от базовой модели google/vit-base-patch16-224-in21k. Она предназначена для классификации возраста по изображениям лиц. В метаданных указан размер 113,2 млн параметров; веса опубликованы в формате safetensors.

На оценочном наборе автор сообщает точность 0,9879 и значение loss 0,0743. README не уточняет разбиение возрастных классов и условия оценки, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Сценарии применения

оценка возрастной категории человека по фотографии лица
классификация возраста на изображениях лиц в исследовательском проекте
анализ распределения возрастных групп в коллекции изображений

Ограничения

README не описывает возрастные классы, обучающие и оценочные разбиения или ограничения применимости; заявленная точность относится только к указанному оценочному набору. Результаты могут зависеть от качества и состава входных изображений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-age-classification

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

Loss: 0.0743
Accuracy: 0.9879

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: 32
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
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.2011	1.0	385	1.0297	0.5664
0.8578	2.0	770	0.7667	0.6936
0.5961	3.0	1155	0.4088	0.8703
0.3073	4.0	1540	0.1689	0.9581
0.1146	5.0	1925	0.0743	0.9879

Framework versions

Transformers 4.35.0
Pytorch 2.1.0+cu118
Datasets 2.14.6
Tokenizers 0.14.1

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: 6a3b0de