Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 2 окт 2023

Ссылки

Hugging Face

watermark_detector

amrul-hzz

Классификация изображенийИзображение → label3 профессии

Дообученный ViT для классификации изображений с целью обнаружения водяных знаков.

2 643скачиваний за 30 дней10лайковвеса обновлены2 окт 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

watermark_detector — модель классификации изображений на базе Vision Transformer (ViT), дообученная на google/vit-base-patch16-224-in21k. Она предназначена для обнаружения водяных знаков на изображениях. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch под лицензией Apache-2.0.

На оценочном наборе указаны точность 0,6574 и значение функции потерь 0,6014. Датасет, состав классов, методика оценки и практические ограничения в карточке не раскрыты, поэтому результаты не позволяют судить о надёжности обнаружения на конкретных типах изображений.

Сценарии применения

проверка изображения на наличие водяного знака
автоматическая классификация изображений для поиска водяных знаков
предварительная фильтрация изображений перед ручной проверкой

Ограничения

На оценочном наборе точность составляет 0,6574; состав набора и классов не описан. Данных недостаточно, чтобы оценить надёжность модели на изображениях из других источников.

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.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.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

watermark_detector

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

Loss: 0.6014
Accuracy: 0.6574

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: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6492	1.0	1139	0.6375	0.6262
0.6172	2.0	2278	0.6253	0.6438
0.578	3.0	3417	0.6110	0.6508

Framework versions

Transformers 4.33.3
Pytorch 2.0.1+cu118
Datasets 2.14.5
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: 6d5ae47