Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 28 мар 2024

Ссылки

Hugging Face

fruit-classifier

ivandrian11

Классификация изображенийИзображение → label3 профессии

Дообученный ViT для классификации изображений фруктов.

13скачиваний за 30 дней0лайковвеса обновлены28 мар 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

Модель ivandrian11/fruit-classifier — дообученный Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя, основанный на google/vit-base-patch16-224-in21k. Она классифицирует изображения фруктов; в метаданных указан датасет VinayHajare/Fruits-30. Модель содержит 113,2 млн параметров и распространяется в формате safetensors.

На оценочном наборе в README указаны accuracy 0,9578 и loss 0,1607. Модель подходит для распознавания классов фруктов на изображениях, например, в сортировке или учебных проектах компьютерного зрения. Результаты могут отличаться на изображениях, классах и условиях съёмки, не представленных в обучающих данных. Лицензия — Apache-2.0.

Сценарии применения

Определение вида фрукта на фотографии
Сортировка изображений фруктов по классам
Автоматическая классификация фруктов в учебном проекте
Распознавание фруктов на снимках для прототипа компьютерного зрения

Ограничения

Показатели качества приведены только для оценочного набора из карточки; состав классов и условия оценки подробно не описаны. Возможны ошибки на классах и изображениях, отличающихся от обучающих данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 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

fruit-classifier

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: 0.1607
Accuracy: 0.9578

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
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.0148	2.38	100	0.2595	0.9398
0.0093	4.76	200	0.1748	0.9578
0.0176	7.14	300	0.1516	0.9699
0.0046	9.52	400	0.1606	0.9578

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

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: 546059b