Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 1 июн 2024

Ссылки

Hugging Face

gender

hungdang1610

Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации изображений по категориям «мужчина» и «женщина».

153скачиваний за 30 дней4лайкавеса обновлены6 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

hungdang1610/gender — дообученная модель классификации изображений на базе rizvandwiki/gender-classification, построенная на архитектуре ViTForImageClassification и содержащая 113,2 млн параметров. Она предназначена для классификации изображения по гендерным категориям «мужчина» и «женщина». Модель дообучали на 1827 изображениях ShotX; в описании указаны оптимизатор AdamW, 20 эпох и функция потерь CrossEntropy.

На тестовом наборе из 240 изображений ShotX автор сообщает точность 97,08% и значение потерь 0,102212. Это результат на описанном автором наборе и не гарантирует такую же точность на других данных. Модель принимает изображения и выдаёт метку класса. Опубликована в формате safetensors под лицензией Apache-2.0.

Сценарии применения

классификация людей на изображениях по указанным гендерным категориям
подсчёт изображений по категориям «мужчина» и «женщина»
экспериментальная оценка точности классификатора на собственном наборе изображений

Ограничения

README описывает только две категории классов и оценку на 240 изображениях ShotX; результат не подтверждает качество на других источниках изображений. Нельзя считать предсказанную метку достоверным определением гендерной идентичности человека.

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 IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

tags:

image-classification
pytorch metrics:
accuracy

model-index:

name: gender-classification results:
- task: name: Image Classification type: image-classification metrics:
  - name: Accuracy type: accuracy value: 0.970833

gender-classification

Evaluate set: 240 unseen images, from 27/05-29/05 from ShotX, no duplicate, clean, 120 male and 120 female. Loss function is CrossEntropy. Model finetuning on 1827 images from 15/05-21/05 from ShotX, base on rizvandwiki/gender-classification. . Using AdamW optimizer, weight_decay=0.05, CosineAnnealingLR scheduler, learning rate 5e-6, 20 epochs.

    accuracy    loss

    0.970833    0.102212

Example Images

female

male

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: 3558652