/ Модель
Каталог

Характеристики

Контекст
512 токенов
Архитектура
vision-text-dual-encoder · dense
Опубликована
13 июл 2022

Ссылки

Hugging Face

clip-roberta-finetuned

davanstrien
ЭмбеддингиТекст → embedding5 профессий

Дообученный на датасете рукописей двойной энкодер для извлечения и сопоставления признаков изображений и текста.

98скачиваний за 30 дней0лайковвеса обновлены15 июл 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

clip-roberta-finetuned — дообученная модель davanstrien на датасете davanstrien/manuscript_noisy_labels_iiif. По архитектуре VisionTextDualEncoderModel она совместно кодирует изображения и текст, формируя признаки для сопоставления этих модальностей. Модель предназначена для извлечения признаков; карточка сообщает значение loss 2.5792 на оценочной выборке, но не описывает сценарии применения или подробности обучения.

Сценарии применения

  • извлечение признаков из изображений рукописей
  • сопоставление изображений страниц с текстовыми описаниями
  • поиск изображений рукописей по текстовым запросам

Ограничения

Карточка не описывает точные возможности, метрики качества или ограничения; приведён только loss 2.5792 на оценочной выборке. Лицензия и сведения о языковой поддержке не указаны в доступных данных.

Для каких профессий подходит5

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 938моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельI.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

clip-roberta-finetuned

This model is a fine-tuned version of ./clip-roberta on the davanstrien/manuscript_noisy_labels_iiif dataset. It achieves the following results on the evaluation set:

  • Loss: 2.5792

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: 128
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10.0
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
2.98410.075003.4112
2.720.1510003.3430
2.63190.2215003.2295
2.57810.2920003.1645
2.53390.3625003.1226
2.5030.4430003.0856
2.45810.5135003.0639
2.44940.5840003.0415
2.42750.6545003.0245
2.39090.7350002.9991
2.39020.855002.9931
2.37410.8760002.9612
2.35360.9565002.9509
2.33921.0270002.9289
2.30831.0975002.9214
2.30941.1680002.9153
2.28641.2485002.9034
2.28931.3190002.8963
2.26971.3895002.8847
2.27621.46100002.8665
2.26671.53105002.8536
2.25481.6110002.8472
2.2381.67115002.8491
2.24231.75120002.8257
2.24061.82125002.8287
2.22481.89130002.8193
2.2231.96135002.8101
2.19952.04140002.8027
2.18342.11145002.7880
2.17232.18150002.7783
2.16512.26155002.7739
2.15752.33160002.7825
2.15982.4165002.7660
2.16672.47170002.7578
2.15652.55175002.7580
2.15582.62180002.7561
2.16422.69185002.7512
2.13742.77190002.7361
2.14022.84195002.7385
2.13262.91200002.7235
2.12722.98205002.7183
2.09543.06210002.7156
2.08423.13215002.7065
2.08593.2220002.7089
2.08563.27225002.6962
2.07753.35230002.6931
2.08213.42235002.6933
2.07063.49240002.7011
2.06893.57245002.7009
2.08073.64250002.6825
2.06393.71255002.6744
2.07423.78260002.6777
2.07893.86265002.6689
2.05943.93270002.6566
2.0564.0275002.6676
2.02234.08280002.6711
2.01854.15285002.6568
2.0184.22290002.6567
2.00364.29295002.6545
2.02384.37300002.6559
2.00914.44305002.6450
2.00964.51310002.6389
2.00834.58315002.6401
2.00124.66320002.6399
2.01664.73325002.6289
1.99634.8330002.6348
1.99434.88335002.6240
2.00994.95340002.6190
1.98955.02345002.6308
1.95815.09350002.6385
1.95025.17355002.6237
1.94855.24360002.6248
1.96435.31365002.6279
1.95355.38370002.6185
1.95755.46375002.6146
1.94755.53380002.6093
1.94345.6385002.6090
1.9545.68390002.6027
1.95095.75395002.6107
1.94545.82400002.5980
1.94795.89405002.6016
1.95395.97410002.5971
1.91196.04415002.6228
1.89746.11420002.6169
1.90386.19425002.6027
1.90086.26430002.6027
1.91426.33435002.6011
1.87836.4440002.5960
1.88966.48445002.6111
1.89756.55450002.5889
1.90486.62455002.6007
1.90496.69460002.5972
1.89696.77465002.6053
1.91056.84470002.5893
1.89216.91475002.5883
1.89186.99480002.5792
1.86717.06485002.6041
1.85517.13490002.6070
1.85557.2495002.6148
1.85437.28500002.6077
1.84857.35505002.6131
1.84747.42510002.6039
1.84747.5515002.5973
1.84427.57520002.5946
1.83297.64525002.6069
1.85517.71530002.5923
1.84337.79535002.5922
1.8517.86540002.5993
1.83137.93545002.5960
1.82988.0550002.6058
1.81598.08555002.6286
1.8178.15560002.6348
1.80668.22565002.6411
1.79358.3570002.6338
1.8098.37575002.6290
1.8128.44580002.6258
1.798.51585002.6321
1.80468.59590002.6291
1.79758.66595002.6283
1.79688.73600002.6284
1.77798.81605002.6257
1.76648.88610002.6232
1.7928.95615002.6305
1.77259.02620002.6525
1.75639.1625002.6794
1.76069.17630002.6784
1.76669.24635002.6798
1.75519.31640002.6813
1.75789.39645002.6830
1.74839.46650002.6833
1.74319.53655002.6884
1.7439.61660002.6932
1.73959.68665002.6927
1.74739.75670002.6904
1.74139.82675002.6892
1.74379.9680002.6898
1.75469.97685002.6894

Framework versions

  • Transformers 4.21.0.dev0
  • Pytorch 1.12.0+cu102
  • Datasets 2.3.2
  • Tokenizers 0.12.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionTextDualEncoderModel
Ревизия весов
aaf97d7

0 моделей

    Создать бенчмарк