Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Опубликована: 9 июл 2022

Ссылки

Hugging Face

swin-tiny-patch4-window7-224-finetuned-eurosat

dgrinwald

Классификация изображенийИзображение → label

Дообученная Swin Transformer Tiny классифицирует спутниковые изображения EuroSAT.

21скачиваний за 30 дней0лайковвеса обновлены9 июл 2022

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 классификации изображений на архитектуре Swin Transformer Tiny, дообученная на наборе EuroSAT из датасета imagefolder. Она предназначена для отнесения спутниковых снимков к классам EuroSAT. В README указана точность 0,8465 и loss 0,3266 на оценочной выборке.

Модель содержит около 33 млн параметров и доступна в формате PyTorch. Базовая модель — microsoft/swin-tiny-patch4-window7-224. Репозиторий опубликован по лицензии Apache-2.0. README не приводит подробностей о классах, обучающих данных и условиях оценки, поэтому заявленная точность не позволяет судить о качестве на других наборах спутниковых снимков.

Сценарии применения

Классификация спутниковых снимков по классам EuroSAT
Автоматическая сортировка изображений земного покрова
Оценка качества модели классификации на спутниковых снимках

Ограничения

Показатель точности 0,8465 приведён только для оценочной выборки EuroSAT; качество на других снимках и распределениях не установлено. README не описывает классы, состав данных и методику оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

swin-tiny-patch4-window7-224-finetuned-eurosat

This model is a fine-tuned version of microsoft/swin-tiny-patch4-window7-224 on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 0.3266
Accuracy: 0.8465

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: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.2941	1.0	17	1.1717	0.4689
1.0655	2.0	34	0.9397	0.5560
0.8008	3.0	51	0.6153	0.7303
0.7204	4.0	68	0.5665	0.7427
0.6931	5.0	85	0.4670	0.7801
0.6277	6.0	102	0.4328	0.8465
0.5689	7.0	119	0.4078	0.8174
0.6103	8.0	136	0.4060	0.8091
0.5501	9.0	153	0.4842	0.7884
0.6018	10.0	170	0.3780	0.8423
0.5668	11.0	187	0.3551	0.8631
0.5192	12.0	204	0.4514	0.8216
0.5133	13.0	221	0.3598	0.8174
0.5753	14.0	238	0.4172	0.8091
0.4833	15.0	255	0.4685	0.8050
0.5546	16.0	272	0.4474	0.7842
0.5179	17.0	289	0.4570	0.7884
0.5017	18.0	306	0.4218	0.8050
0.4808	19.0	323	0.4094	0.8050
0.4708	20.0	340	0.4693	0.7759
0.5033	21.0	357	0.3141	0.8672
0.4859	22.0	374	0.3687	0.8257
0.516	23.0	391	0.3819	0.8216
0.4822	24.0	408	0.3391	0.8506
0.4748	25.0	425	0.3281	0.8506
0.4914	26.0	442	0.3308	0.8631
0.4354	27.0	459	0.3859	0.8133
0.4297	28.0	476	0.3761	0.8133
0.4747	29.0	493	0.2914	0.8672
0.4395	30.0	510	0.3025	0.8548
0.4279	31.0	527	0.3314	0.8506
0.4327	32.0	544	0.4626	0.7842
0.446	33.0	561	0.3499	0.8382
0.4011	34.0	578	0.3408	0.8465
0.4418	35.0	595	0.3159	0.8589
0.484	36.0	612	0.3130	0.8548
0.4119	37.0	629	0.2899	0.8589
0.4453	38.0	646	0.3200	0.8465
0.4074	39.0	663	0.3493	0.8465
0.3937	40.0	680	0.3003	0.8672
0.4222	41.0	697	0.3547	0.8299
0.3922	42.0	714	0.3206	0.8589
0.3973	43.0	731	0.4074	0.8133
0.4118	44.0	748	0.3147	0.8589
0.4088	45.0	765	0.3393	0.8506
0.3635	46.0	782	0.3584	0.8257
0.403	47.0	799	0.3240	0.8506
0.3943	48.0	816	0.3536	0.8216
0.4085	49.0	833	0.3270	0.8465
0.3865	50.0	850	0.3266	0.8465

Framework versions

Transformers 4.20.1
Pytorch 1.11.0+cu113
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 · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: SwinForImageClassification
Ревизия весов: bbd3546