Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 1 июн 2024

Ссылки

Hugging Face

emotion_classification

hmrizal

Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации изображений по визуальным эмоциональным категориям.

149скачиваний за 30 дней0лайковвеса обновлены14 июн 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

hmrizal/emotion_classification — модель классификации изображений на базе Vision Transformer ViT-Base, дообученная автором на наборе данных imagefolder. Она предназначена для анализа визуальных эмоциональных выражений и отнесения изображений к эмоциональным категориям. Модель содержит 113,2 млн параметров и распространяется в формате safetensors; лицензия — Apache-2.0.

На оценочной выборке указаны accuracy 0,6438 и loss 1,2002. Описание не раскрывает перечень классов эмоций и детали обучающих данных, поэтому качество для конкретных категорий и сценариев по этим показателям оценить нельзя.

Сценарии применения

классификация эмоций по фотографиям лиц
анализ эмоциональных выражений на изображениях
разметка изображений по визуальной эмоциональной категории

Ограничения

На оценочной выборке указана точность 0,6438, но состав классов и подробности датасета не приведены. Результаты для иных данных и условий не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

emotion_classification

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 1.2002
Accuracy: 0.6438

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 12
num_epochs: 15

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	40	1.9756	0.2313
No log	2.0	80	1.6788	0.3937
No log	3.0	120	1.5219	0.5375
No log	4.0	160	1.4542	0.45
No log	5.0	200	1.3923	0.5
No log	6.0	240	1.3595	0.4437
No log	7.0	280	1.3111	0.5125
No log	8.0	320	1.2050	0.5625
No log	9.0	360	1.2387	0.5437
No log	10.0	400	1.2847	0.5437
No log	11.0	440	1.2048	0.5625
No log	12.0	480	1.2270	0.5563
1.0855	13.0	520	1.2058	0.5875
1.0855	14.0	560	1.1999	0.5625
1.0855	15.0	600	1.2032	0.5687

Framework versions

Transformers 4.41.1
Pytorch 2.1.2
Datasets 2.19.1
Tokenizers 0.19.1

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: ViTForImageClassification
Ревизия весов: b243bbe