Характеристики

Лицензия: MIT
Опубликована: 4 июл 2026

Ссылки

Hugging Face

mnist-4.5k

aplominski

Классификация изображенийИзображение → label

Компактная CNN для распознавания рукописных цифр MNIST на устройствах с ограниченными ресурсами.

0скачиваний за 30 дней0лайковвеса обновлены4 июл 2026

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

Лёгкая сверточная нейронная сеть (CNN) aplominski/mnist-4.5k для классификации рукописных цифр от 0 до 9. Модель разработана автором репозитория и обучена на наборе MNIST; в репозитории размещены веса в формате safetensors.

Модель содержит около 4,5 тыс. параметров и предназначена для распознавания цифр в изображениях, в том числе в сценариях с ограниченными вычислительными ресурсами и на CPU. В README указана точность 94,48% на тестовой выборке MNIST.

Лицензия — MIT. Модель специализирована на цифрах MNIST, поэтому её результаты не следует переносить на другие типы изображений без отдельной проверки.

Сценарии применения

распознавание рукописных цифр от 0 до 9
классификация изображений цифр MNIST
распознавание цифр на CPU
эксперименты с компактными CNN для классификации изображений

Ограничения

Модель обучена на MNIST и специализирована на рукописных цифрах; указанная точность 94,48% относится к тестовой выборке этого набора данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Lightweight MNIST CNN (4.5K Parameters)

This is an ultra-lightweight Convolutional Neural Network (CNN) with only 4.5K parameters, trained on the classic MNIST dataset for handwritten digit recognition.

Despite its minimal size, the model achieves 94.48% accuracy on the test split, making it highly efficient for edge devices or CPU-only environments.

The full training workflow and source code can be found on GitHub and weights can be found on Hugging Face

Model Performance

Task: Image Classification (Handwritten Digits 0-9)
Dataset: MNIST
Test Accuracy: 94.48%
Parameter Count: ~4,500

Quick Start / Usage

You can load and use this model directly using the code in github repository

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: 1d0df2a