Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 17 окт 2023

Ссылки

Hugging Face

farm_insects_image_detection

dima806

Классификация изображенийИзображение → label3 профессии

Дообученный ViT-классификатор определяет тип сельскохозяйственного насекомого по изображению.

37скачиваний за 30 дней5лайковвеса обновлены19 окт 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

Модель dima806/farm_insects_image_detection — дообученный классификатор изображений насекомых на основе Vision Transformer ViT-Base/Patch16-224, предварительно обученного на ImageNet-21k. Она определяет тип сельскохозяйственного насекомого по изображению; в README заявлена точность около 91%. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors.

Модель подходит для автоматической классификации изображений насекомых в сельскохозяйственных сценариях. Она принимает изображения и выдаёт предсказанный класс. Лицензия — Apache-2.0. README не сообщает подробности о наборе классов и условиях оценки точности.

Сценарии применения

классификация сельскохозяйственных насекомых по фотографии
предварительная сортировка снимков насекомых для мониторинга полей
автоматическая разметка изображений насекомых по типам

Ограничения

В README заявлена точность около 91%, но не приведены набор классов и условия оценки. Модель классифицирует изображение целиком; обнаружение и локализация нескольких объектов отдельно не заявлены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Returns farm insect type given an image with about 91% accuracy.

See https://www.kaggle.com/code/dima806/farm-insects-image-detection-vit for more details.

Classification report:

                                      precision    recall  f1-score   support

                      Fall Armyworms     0.7895    0.3191    0.4545        47
              Western Corn Rootworms     0.9787    0.9787    0.9787        47
             Colorado Potato Beetles     1.0000    0.9792    0.9895        48
                              Thrips     0.9762    0.8723    0.9213        47
                       Corn Earworms     0.9070    0.8125    0.8571        48
                     Cabbage Loopers     0.9388    0.9583    0.9485        48
                           Armyworms     0.6143    0.9149    0.7350        47
         Brown Marmorated Stink Bugs     1.0000    1.0000    1.0000        48
                    Tomato Hornworms     0.9792    1.0000    0.9895        47
                       Citrus Canker     0.9038    1.0000    0.9495        47
                              Aphids     0.9020    0.9583    0.9293        48
                         Corn Borers     0.8148    0.9167    0.8627        48
                         Fruit Flies     1.0000    1.0000    1.0000        48
Africanized Honey Bees (Killer Bees)     1.0000    1.0000    1.0000        48
                        Spider Mites     0.9167    0.9167    0.9167        48

                            accuracy                         0.9090       714
                           macro avg     0.9147    0.9085    0.9022       714
                        weighted avg     0.9151    0.9090    0.9027       714

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: b19eb3d