/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Опубликована
11 июн 2022

vit_base-224-in21k-ft-cifar100

Классификация изображенийИзображение → label3 профессии

ViT Base, дообученная для классификации изображений CIFAR-100 по 100 классам.

661скачиваний за 30 дней1лайквеса обновлены10 авг 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

Модель ViT Base, дообученная Эдуардо Муньосом (Eduardo Muñoz) для классификации изображений CIFAR-100. В основе — Vision Transformer с архитектурой трансформерного энкодера, предварительно обученный на ImageNet-21k для изображений размером 224×224 пикселя; модель содержит 113,2 млн параметров.

Модель предназначена для отнесения изображений к 100 классам CIFAR-100, сгруппированным в 20 суперклассов. В карточке указана точность 0,9148. Обучение выполнено с помощью Amazon SageMaker и контейнера Hugging Face Deep Learning; заявлена классификация изображений с испанскими метками.

Модель принимает изображения и выдаёт предсказания классов. Она специализирована на CIFAR-100, поэтому её применение к другим наборам изображений может потребовать дополнительной настройки. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • Классификация изображений CIFAR-100
  • Распознавание объектов на небольших цветных изображениях
  • Определение класса изображения из 100 категорий
  • Учебные эксперименты с Vision Transformer на CIFAR-100

Ограничения

Модель дообучена на CIFAR-100 и рассчитана прежде всего на его классы; точность на других распределениях изображений не указана. Метки классов заявлены на испанском языке.

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

Model vit_base-224-in21k-ft-cifar100

A finetuned model for Image classification in Spanish

This model was trained using Amazon SageMaker and the Hugging Face Deep Learning container, The base model is Vision Transformer (base-sized model) which is a transformer encoder model (BERT-like) pretrained on a large collection of images in a supervised fashion, namely ImageNet-21k, at a resolution of 224x224 pixels.Link to base model

Base model citation

BibTeX entry and citation info

@misc{wu2020visual,
      title={Visual Transformers: Token-based Image Representation and Processing for Computer Vision}, 
      author={Bichen Wu and Chenfeng Xu and Xiaoliang Dai and Alvin Wan and Peizhao Zhang and Zhicheng Yan and Masayoshi Tomizuka and Joseph Gonzalez and Kurt Keutzer and Peter Vajda},
      year={2020},
      eprint={2006.03677},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Dataset

Link to dataset description

The CIFAR-10 and CIFAR-100 are labeled subsets of the 80 million tiny images dataset. They were collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton

The CIFAR-10 dataset consists of 60000 32x32 colour images in 10 classes, with 6000 images per class. There are 50000 training images and 10000 test images. This dataset,CIFAR100, is just like the CIFAR-10, except it has 100 classes containing 600 images each. There are 500 training images and 100 testing images per class. The 100 classes in the CIFAR-100 are grouped into 20 superclasses. Each image comes with a "fine" label (the class to which it belongs) and a "coarse" label (the superclass to which it belongs).

Sizes of datasets:

  • Train dataset: 50,000
  • Test dataset: 10,000

Intended uses & limitations

This model is intented for Image Classification.

Hyperparameters

{
"epochs": "5",
"train_batch_size": "32",    
"eval_batch_size": "8",
"fp16": "true",
"learning_rate": "1e-05",
}

Test results

  • Accuracy = 0.9148

Model in action

Usage for Image Classification

from transformers import ViTFeatureExtractor, ViTModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = ViTFeatureExtractor.from_pretrained('google/vit-base-patch16-224-in21k')
model = ViTModel.from_pretrained('edumunozsala/vit_base-224-in21k-ft-cifar100')
inputs = feature_extractor(images=image, return_tensors="pt")

outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

Created by Eduardo Muñoz/@edumunozsala

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
b0c51e4

0 моделей