Характеристики

Параметры: 113 млн
Архитектура: vit · dense
Опубликована: 3 апр 2022

Ссылки

Hugging Face

deit_flyswot

davanstrien

Классификация изображенийИзображение → label

Модель ViT для классификации изображений, обученная с нуля на наборе image_folder.

93скачиваний за 30 дней0лайковвеса обновлены9 сен 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

deit_flyswot — модель классификации изображений на архитектуре Vision Transformer (ViT), обученная с нуля разработчиком davanstrien на наборе данных image_folder. В репозитории около 113,2 млн параметров; веса доступны в форматах PyTorch и safetensors.

Модель предназначена для отнесения изображений к классам, представленным в обучающем наборе. На оценочной выборке указаны F1 0,9908 и loss 0,0755. Состав классов, подробности обучающих данных и рекомендуемые сценарии применения в карточке не раскрыты, поэтому переносимость на другие наборы изображений не установлена. Лицензия в доступных данных не указана.

Сценарии применения

Классификация изображений по классам обучающего набора
Автоматическая разметка изображений в аналогичном датасете
Эксперименты с классификацией изображений на ViT

Ограничения

Состав классов и подробности обучающих данных не раскрыты, поэтому качество на изображениях вне обучающего набора не установлено. Лицензия в доступных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deit_flyswot

This model was trained from scratch on the image_folder dataset. It achieves the following results on the evaluation set:

Loss: 0.0755
F1: 0.9908

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: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 666
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 30
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1
No log	1.0	52	0.5710	0.8095
No log	2.0	104	0.2814	0.9380
No log	3.0	156	0.1719	0.9555
No log	4.0	208	0.1410	0.9692
No log	5.0	260	0.1457	0.9680
No log	6.0	312	0.1084	0.9747
No log	7.0	364	0.0892	0.9736
No log	8.0	416	0.0962	0.9831
No log	9.0	468	0.0819	0.9796
0.2034	10.0	520	0.0916	0.9778
0.2034	11.0	572	0.0793	0.9827
0.2034	12.0	624	0.0818	0.9894
0.2034	13.0	676	0.0852	0.9807
0.2034	14.0	728	0.0938	0.9778
0.2034	15.0	780	0.0814	0.9876
0.2034	16.0	832	0.0702	0.9892
0.2034	17.0	884	0.0801	0.9892
0.2034	18.0	936	0.0806	0.9892
0.2034	19.0	988	0.0769	0.9926
0.0115	20.0	1040	0.0800	0.9926
0.0115	21.0	1092	0.0794	0.9926
0.0115	22.0	1144	0.0762	0.9846
0.0115	23.0	1196	0.0789	0.9830
0.0115	24.0	1248	0.0794	0.9829
0.0115	25.0	1300	0.0770	0.9908
0.0115	26.0	1352	0.0791	0.9829
0.0115	27.0	1404	0.0813	0.9892
0.0115	28.0	1456	0.0816	0.9908
0.0058	29.0	1508	0.0774	0.9908
0.0058	30.0	1560	0.0755	0.9908

Framework versions

Transformers 4.17.0
Pytorch 1.10.0+cu111
Datasets 2.0.0
Tokenizers 0.11.6

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: 3ac8360