Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

my-beauty-vit

iuoiu

Классификация изображенийИзображение → label

Дообученный Vision Transformer для классификации изображений, вероятно связанных с тематикой красоты.

8скачиваний за 30 дней0лайковвеса обновлены12 июл 2026

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

iuoiu/my-beauty-vit — дообученная модель Vision Transformer (ViT) для классификации изображений. Она основана на google/vit-base-patch16-224, содержит 113,2 млн параметров и предназначена для отнесения изображений к классам; название указывает на тематику красоты, однако README не раскрывает набор классов и область применения подробнее.

Модель принимает изображения и выдаёт метки классов. В README приведены результаты на оценочном наборе: loss 0,0062, Pearson 0,8867 и MSE 0,0062, но описание датасета и методики оценки отсутствует. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

Классификация изображений по категориям красоты
Автоматическая разметка изображений для каталога товаров
Распределение фотографий по классам в тематической коллекции

Ограничения

README не раскрывает набор классов, обучающие данные и методику оценки, поэтому заявленные метрики трудно интерпретировать и применимость к конкретным изображениям неясна.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my-beauty-vit

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

Loss: 0.0062
Pearson: 0.8867
Mse: 0.0062

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: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Pearson	Mse
0.0088	1.0	104	0.0081	0.8539	0.0081
0.0059	2.0	208	0.0070	0.8742	0.0070
0.0040	3.0	312	0.0065	0.8828	0.0065
0.0038	4.0	416	0.0068	0.8866	0.0068
0.0027	5.0	520	0.0062	0.8867	0.0062

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: 9d3c02e