/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Опубликована
31 мая 2024

vit-small-patch16-imagenet21k-augreg

Классификация изображенийИзображение → label3 профессии

ViT с патчами 16×16, предварительно обученный на ImageNet-21k, классифицирует изображения по категориям.

125скачиваний за 30 дней0лайковвеса обновлены1 июн 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

Это модель Vision Transformer (ViT) для классификации изображений, опубликованная cs-giung. Она предварительно обучена на ImageNet-21k: 14 миллионах изображений с 21 843 классами. Модель обрабатывает изображения разрешением 224×224 пикселя; её архитектура использует патчи 16×16, а размер составляет 28,3 млн параметров.

Модель подходит для определения категорий объектов на изображениях и может служить основой для последующей адаптации под другие наборы классов. Веса преобразованы из исходного файла формата NPZ и доступны в формате safetensors. Использование распространяется по лицензии Apache-2.0.

Сценарии применения

  • Классификация объектов на изображениях
  • Распознавание изображений по категориям ImageNet-21k
  • Создание основы для дообучения классификатора изображений

Ограничения

Входные изображения рассчитаны на разрешение 224×224 пикселя; модель обучена на наборе классов ImageNet-21k, поэтому для других категорий может потребоваться дообучение.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vision Transformer

Vision Transformer (ViT) model pre-trained on ImageNet-21k (14 million images, 21,843 classes) at resolution 224x224. It was introduced in the paper An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale and further enhanced in the follow-up paper How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers. The weights were converted from the S_16-i21k-300ep-lr_0.001-aug_light1-wd_0.03-do_0.0-sd_0.0.npz file in GCS buckets presented in the original repository.

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
891c61a

0 моделей