/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
resnet · dense
Опубликована
26 июн 2022

resnet-18-finetuned-dogfood

Классификация изображенийИзображение → label3 профессии

Дообученная ResNet-18 для классификации изображений собачьего корма.

309скачиваний за 30 дней0лайковвеса обновлены27 июн 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 базе ResNet-18, дообученная автором репозитория на датасете lewtun/dog_food. Она предназначена для распознавания категорий собачьего корма по изображению; на наборе оценки указаны loss 0,2991 и accuracy 0,896. Модель использует архитектуру ResNet и веса в формате PyTorch. Лицензия — Apache-2.0.

Сценарии применения

  • распознавание вида собачьего корма по фотографии
  • автоматическая сортировка изображений корма по категориям
  • проверка категории корма в каталоге товаров

Ограничения

Модель обучена на датасете lewtun/dog_food, поэтому её назначение ограничено категориями собачьего корма. Оценка accuracy 0,896 приведена только для указанного набора оценки; переносимость на другие изображения и категории не описана.

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

resnet-18-finetuned-dogfood

This model is a fine-tuned version of microsoft/resnet-18 on the lewtun/dog_food dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2991
  • Accuracy: 0.896

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: 1

Training results

Training LossEpochStepValidation LossAccuracy
0.8461.0160.26620.9156

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
ResNetForImageClassification
Ревизия весов
52a4198

0 моделей