Характеристики

Лицензия: Apache 2.0
Архитектура: resnet · dense
Базовая модель: resnet-50
Опубликована: 29 мая 2024

Ссылки

Hugging Face

microsoft-resnet-50-batch32-lr0.0005-standford-dogs

amaye15

Классификация изображенийИзображение → label3 профессии

Дообученная ResNet-50 классифицирует изображения собак по породам из набора Stanford Dogs.

28скачиваний за 30 дней0лайковвеса обновлены29 мая 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

Модель amaye15/microsoft-resnet-50-batch32-lr0.0005-standford-dogs — дообученная версия microsoft/resnet-50 для классификации изображений пород собак из набора Stanford Dogs. В основе — сверточная архитектура ResNet-50 v1.5, предварительно обученная на ImageNet-1k; веса опубликованы в формате safetensors.

Модель принимает изображение и предсказывает класс породы собаки. На указанном в карточке оценочном наборе достигнуты accuracy 0,8387 и F1 0,8260. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

классификация фотографий собак по породам
автоматическая сортировка изображений собак в фотоколлекции
создание демонстрационного сервиса распознавания пород собак

Ограничения

Модель настроена на классификацию пород собак и не предназначена для распознавания других объектов. Показатели приведены для оценочного набора; качество на иных изображениях может отличаться.

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.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.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

microsoft-resnet-50-batch32-lr0.0005-standford-dogs

This model is a fine-tuned version of microsoft/resnet-50 on the stanford-dogs dataset. It achieves the following results on the evaluation set:

Loss: 1.1545
Accuracy: 0.8387
F1: 0.8260
Precision: 0.8457
Recall: 0.8315

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: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
training_steps: 1000

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
4.7829	0.0777	10	4.7747	0.2119	0.1874	0.3919	0.1982
4.7714	0.1553	20	4.7572	0.2038	0.1842	0.4262	0.1836
4.7606	0.2330	30	4.7367	0.3586	0.3433	0.6517	0.3307
4.747	0.3107	40	4.7149	0.4303	0.4272	0.7734	0.4039
4.7253	0.3883	50	4.6846	0.4361	0.4678	0.7906	0.4160
4.7069	0.4660	60	4.6534	0.5330	0.5397	0.8048	0.5093
4.6857	0.5437	70	4.6177	0.5500	0.5511	0.7998	0.5264
4.6569	0.6214	80	4.5764	0.5739	0.5800	0.8208	0.5517
4.6293	0.6990	90	4.5359	0.6142	0.6149	0.8075	0.5926
4.5953	0.7767	100	4.4828	0.6207	0.6233	0.8109	0.6000
4.5651	0.8544	110	4.4257	0.6591	0.6585	0.8148	0.6393
4.5296	0.9320	120	4.3647	0.7063	0.7012	0.8284	0.6882
4.4911	1.0097	130	4.2998	0.7089	0.7074	0.8326	0.6924
4.4442	1.0874	140	4.2288	0.6939	0.6890	0.8302	0.6759
4.3912	1.1650	150	4.1527	0.6873	0.6863	0.8262	0.6703
4.3393	1.2427	160	4.0884	0.7250	0.7127	0.8251	0.7082
4.3019	1.3204	170	3.9946	0.7262	0.7152	0.8234	0.7098
4.2366	1.3981	180	3.9314	0.7301	0.7177	0.8230	0.7143
4.1966	1.4757	190	3.8398	0.7325	0.7196	0.8169	0.7175
4.1402	1.5534	200	3.7587	0.7381	0.7217	0.8149	0.7221
4.0771	1.6311	210	3.6745	0.7310	0.7149	0.8125	0.7160
4.0436	1.7087	220	3.5729	0.7364	0.7189	0.8121	0.7214
3.9697	1.7864	230	3.5030	0.7490	0.7339	0.8172	0.7358
3.9181	1.8641	240	3.4505	0.7541	0.7379	0.8123	0.7408
3.8573	1.9417	250	3.3529	0.7646	0.7453	0.8136	0.7521
3.8077	2.0194	260	3.2566	0.7660	0.7482	0.8093	0.7540
3.7449	2.0971	270	3.1869	0.7709	0.7510	0.8144	0.7588
3.682	2.1748	280	3.0898	0.7668	0.7440	0.8097	0.7548
3.6461	2.2524	290	3.0377	0.7641	0.7381	0.8100	0.7511
3.6004	2.3301	300	2.9001	0.7648	0.7384	0.8061	0.7522
3.5478	2.4078	310	2.8623	0.7653	0.7410	0.8060	0.7529
3.4971	2.4854	320	2.7961	0.7675	0.7447	0.8068	0.7558
3.4446	2.5631	330	2.6960	0.7690	0.7486	0.8128	0.7582
3.4093	2.6408	340	2.6480	0.7821	0.7652	0.8151	0.7718
3.3994	2.7184	350	2.5330	0.7847	0.7676	0.8156	0.7742
3.2963	2.7961	360	2.4866	0.7855	0.7681	0.8154	0.7752
3.2615	2.8738	370	2.4344	0.7891	0.7740	0.8172	0.7792
3.2024	2.9515	380	2.4011	0.7794	0.7638	0.8126	0.7694
3.1641	3.0291	390	2.3039	0.7835	0.7659	0.8100	0.7736
3.0719	3.1068	400	2.2471	0.7796	0.7608	0.8072	0.7691
3.0808	3.1845	410	2.2130	0.7896	0.7717	0.8137	0.7795
2.9916	3.2621	420	2.1387	0.7823	0.7652	0.8104	0.7718
2.9898	3.3398	430	2.0905	0.7981	0.7821	0.8250	0.7886
2.9597	3.4175	440	2.0260	0.7923	0.7769	0.8192	0.7826
2.9068	3.4951	450	1.9944	0.7976	0.7816	0.8233	0.7877
2.8423	3.5728	460	1.9643	0.7976	0.7805	0.8185	0.7876
2.8323	3.6505	470	1.8926	0.7935	0.7754	0.8136	0.7837
2.7814	3.7282	480	1.8676	0.8017	0.7856	0.8208	0.7917
2.7337	3.8058	490	1.8320	0.8052	0.7905	0.8246	0.7957
2.7215	3.8835	500	1.8003	0.7986	0.7834	0.8208	0.7890
2.6456	3.9612	510	1.7754	0.8005	0.7848	0.8230	0.7914
2.6494	4.0388	520	1.7083	0.8054	0.7895	0.8252	0.7967
2.5878	4.1165	530	1.6836	0.8054	0.7878	0.8239	0.7967
2.592	4.1942	540	1.6770	0.8005	0.7826	0.8220	0.7912
2.5698	4.2718	550	1.6184	0.8056	0.7881	0.8268	0.7970
2.52	4.3495	560	1.6368	0.8064	0.7898	0.8267	0.7975
2.5317	4.4272	570	1.5952	0.8059	0.7891	0.8289	0.7972
2.4199	4.5049	580	1.5518	0.8163	0.8002	0.8337	0.8082
2.4357	4.5825	590	1.5375	0.8095	0.7933	0.8263	0.8012
2.4217	4.6602	600	1.4994	0.8127	0.7964	0.8297	0.8042
2.428	4.7379	610	1.4671	0.8156	0.8003	0.8309	0.8074
2.3725	4.8155	620	1.4402	0.8141	0.7973	0.8295	0.8054
2.3594	4.8932	630	1.4566	0.8134	0.7976	0.8287	0.8049
2.3279	4.9709	640	1.4359	0.8183	0.8034	0.8314	0.8100
2.3166	5.0485	650	1.4067	0.8226	0.8086	0.8343	0.8149
2.3062	5.1262	660	1.3913	0.8212	0.8072	0.8340	0.8131
2.3096	5.2039	670	1.3577	0.8241	0.8107	0.8373	0.8159
2.2514	5.2816	680	1.3574	0.8270	0.8136	0.8371	0.8193
2.2053	5.3592	690	1.3450	0.8239	0.8101	0.8370	0.8164
2.2347	5.4369	700	1.3331	0.8270	0.8137	0.8388	0.8194
2.215	5.5146	710	1.2902	0.8294	0.8154	0.8419	0.8219
2.175	5.5922	720	1.2861	0.8256	0.8114	0.8388	0.8181
2.2212	5.6699	730	1.2637	0.8321	0.8180	0.8440	0.8241
2.1459	5.7476	740	1.2827	0.8302	0.8166	0.8396	0.8227
2.1615	5.8252	750	1.2800	0.8311	0.8184	0.8496	0.8239
2.0966	5.9029	760	1.2742	0.8326	0.8195	0.8418	0.8251
2.1314	5.9806	770	1.2464	0.8316	0.8184	0.8407	0.8238
2.0846	6.0583	780	1.2409	0.8326	0.8189	0.8414	0.8250
2.0522	6.1359	790	1.2023	0.8365	0.8233	0.8455	0.8292
2.0724	6.2136	800	1.2252	0.8309	0.8174	0.8396	0.8235
2.0848	6.2913	810	1.2025	0.8321	0.8186	0.8424	0.8248
2.0402	6.3689	820	1.2130	0.8333	0.8189	0.8428	0.8255
2.0778	6.4466	830	1.1809	0.8375	0.8249	0.8532	0.8302
2.0963	6.5243	840	1.1696	0.8365	0.8231	0.8527	0.8289
2.0576	6.6019	850	1.1866	0.8321	0.8181	0.8411	0.8245
2.0386	6.6796	860	1.1882	0.8302	0.8160	0.8389	0.8227
2.0084	6.7573	870	1.1696	0.8372	0.8244	0.8446	0.8301
2.0571	6.8350	880	1.1622	0.8353	0.8217	0.8437	0.8280
2.0264	6.9126	890	1.1640	0.8336	0.8204	0.8429	0.8263
2.0077	6.9903	900	1.1673	0.8367	0.8241	0.8447	0.8295
2.0492	7.0680	910	1.1455	0.8404	0.8269	0.8462	0.8330
1.9973	7.1456	920	1.1538	0.8379	0.8250	0.8455	0.8307
1.9961	7.2233	930	1.1502	0.8367	0.8236	0.8415	0.8295
1.9681	7.3010	940	1.1657	0.8384	0.8254	0.8463	0.8311
2.0188	7.3786	950	1.1309	0.8379	0.8252	0.8445	0.8310
2.0225	7.4563	960	1.1547	0.8367	0.8231	0.8446	0.8294
1.9562	7.5340	970	1.1474	0.8377	0.8243	0.8457	0.8305
2.0247	7.6117	980	1.1251	0.8365	0.8241	0.8449	0.8294
1.9355	7.6893	990	1.1349	0.8397	0.8276	0.8532	0.8329
1.9804	7.7670	1000	1.1545	0.8387	0.8260	0.8457	0.8315

Framework versions

Transformers 4.40.2
Pytorch 2.3.0
Datasets 2.19.1
Tokenizers 0.19.1

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: ResNetForImageClassification
Ревизия весов: 692e598