/ Модель
Каталог

Характеристики

Параметры
132 млн
Лицензия
MIT
Архитектура
swin · dense
Базовая модель
swin-large-patch4-window12-384-in22k
Библиотека
Transformers
Опубликована
25 июн 2026

Ссылки

Hugging FacearXiv 1910.09700

swin-large-patch4-window12-384-in22k-101spp-ft

cfia-ai-lab
Классификация изображенийИзображение → label3 профессии

Дообученная модель Swin Transformer для классификации изображений семян по 101 виду сорных растений.

21скачиваний за 30 дней0лайковвеса обновлены25 июн 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

Модель Swin Transformer Large, разработанная CFIA AI Lab и Seed Lab, дообучена для классификации изображений семян по 101 виду сорных растений, связанных с регулируемыми видами REGAL. Её можно использовать для распознавания вида семени по изображению, например при проверке образцов в лаборатории или сортировке семян.

Модель основана на microsoft/swin-large-patch4-window12-384-in22k; в метаданных указано 132,1 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX. Для обучения указаны 73 841 пример, а для проверки и валидации — 13 031 и 26 814 примеров соответственно. Лицензия — MIT.

Карточка не приводит метрики качества, детали обработки изображений или сведения о том, насколько хорошо модель работает на фотографиях вне обучающего набора. Результаты классификации следует проверять, особенно при принятии регулируемых решений.

Сценарии применения

  • Определение вида сорного растения по изображению семени
  • Сортировка семян по видам в лаборатории
  • Предварительная проверка образцов семян на наличие видов REGAL

Ограничения

В карточке не указаны метрики качества, детали предобработки изображений и результаты на внешних данных. Модель предназначена для 101 указанного вида и может ошибаться на других видах или изображениях, отличающихся от обучающих примеров.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейIV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделейIV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for swin-large-patch4-window12-384-in22k-101spp-ft

Model Details

Model Description

This is a SWIN model fine tuned to classify 101 weed seed species related to the regulated REGAL species.
73841 train, 13031 test, 26814 validation

  • Agrostemma githago

  • Agrostis canina

  • Allium vineale

  • Amaranthus albus

  • Amaranthus palmeri

  • Amaranthus powellii

  • Amaranthus retroflexus

  • Amaranthus tuberculatus

  • Ambrosia artemisiifolia

  • Ambrosia psilostachya

  • Ambrosia trifida

  • Anthoxanthum aristatum

  • Anthoxanthum odoratum

  • Apera spica-venti

  • Asclepias syriaca

  • Asclepias tuberosa

  • Avena fatua

  • Avena sativa

  • Bassia scoparia

  • Berteroa incana

  • Brassica juncea

  • Brassica napus

  • Brassica nigra

  • Bromus diandrus

  • Bromus hordeaceus

  • Bromus inermis

  • Bromus japonicus

  • Bromus riparius

  • Bromus secalinus

  • Buglossoides arvensis

  • Calystegia sepium

  • Carduus nutans

  • Carthamus tinctorius

  • Cenchrus longispinus

  • Centaurea calcitrapa

  • Centaurea diffusa

  • Centaurea melitensis

  • Centaurea solstitialis

  • Centaurea stoebe

  • Cirsium arvense

  • Cirsium vulgare

  • Conringia orientalis

  • Convolvulus arvensis

  • Cuscuta gronovii

  • Cuscuta campestris

  • Cuscuta europaea

  • Cyclachaena xanthiifolia

  • Cynoglossum officinale

  • Datura stramonium

  • Echium vulgare

  • Euphorbia cyparissias

  • Euphorbia esula

  • Fallopia convolvulus

  • Galeopsis tetrahit

  • Galium aparine

  • Galium spurium

  • Galega officinalis

  • Galega orientalis

  • Gypsophila vaccaria

  • Heracleum mantegazzianum

  • Heracleum sosnowskyi

  • Heracleum sphondylium

  • Iva axillaris

  • Jacobaea vulgaris

  • Lithospermum officinale

  • Lactuca sativa

  • Lactuca serriola

  • Linaria vulgaris

  • Lolium persicum

  • Lolium temulentum

  • Medicago lupulina

  • Medicago sativa

  • Neslia paniculata

  • Polygonum aviculare

  • Ranunculus acris

  • Saponaria officinalis

  • Silene latifolia

  • Silene noctiflora

  • Silene vulgaris

  • Sinapis alba

  • Sinapis arvensis

  • Solanum americanum

  • Solanum carolinense

  • Solanum elaeagnifolium

  • Solanum emulans

  • Solanum nigrum

  • Solanum rostratum

  • Sonchus arvensis

  • Sorghum bicolor

  • Sorghum halepense

  • Thlaspi arvense

  • Tripleurospermum inodorum

  • Tripleurospermum maritimum

  • Ulex europaeus

  • Vicia americana

  • Vicia cracca

  • Vicia pannonica

  • Vicia villosa

  • Viola arvensis

  • Viola odorata

  • Xanthium strumarium
    Samples Training Loss Epoch metrics Overall Top K Accuracy Class Metrics Confusion Matrix

  • Developed by: CFIA AI Lab and Seed Lab

  • Funded by [optional]: [More Information Needed]

  • Shared by [optional]: [More Information Needed]

  • Model type: SWIN Transformer

  • Language(s) (NLP): [More Information Needed]

  • License: MIT

  • Finetuned from model [optional]: microsoft/swin-large-patch4-window12-384-in22k

Model Sources [optional]

  • Repository: cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft
  • Paper [optional]: [More Information Needed]
  • Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

  • Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: [More Information Needed]
  • Hours used: [More Information Needed]
  • Cloud Provider: [More Information Needed]
  • Compute Region: [More Information Needed]
  • Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

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
SwinForImageClassification
Ревизия весов
1491469

0 моделей

    Создать бенчмарк