Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Опубликована: 20 июн 2023

Ссылки

Hugging Face

swin-tiny-patch4-window7-224-finetuned-cifar100

jaycamper

Классификация изображенийИзображение → label

Swin Transformer Tiny, дообученный на CIFAR-100 для классификации изображений по 100 категориям.

165скачиваний за 30 дней0лайковвеса обновлены20 июн 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

Это модель компьютерного зрения на архитектуре Swin Transformer Tiny, дообученная автором jaycamper на датасете CIFAR-100. Она предназначена для классификации изображений по 100 категориям. Модель содержит около 33 млн параметров и распространяется в формате PyTorch.

На оценочной выборке CIFAR-100 указана точность 0,8154 и значение функции потерь 0,5996. Лицензия — Apache-2.0. Карточка не описывает ограничения модели и не приводит подробностей обучения.

Сценарии применения

классификация изображений из CIFAR-100
распознавание объектов на небольших изображениях
эксперименты с классификацией изображений на Swin Transformer
оценка качества моделей на CIFAR-100

Ограничения

Карточка приводит метрики только для оценочной выборки CIFAR-100; перенос качества на другие наборы данных не описан. Другие ограничения модели не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

swin-tiny-patch4-window7-224-finetuned-cifar100

This model is a fine-tuned version of microsoft/swin-tiny-patch4-window7-224 on the cifar100 dataset. It achieves the following results on the evaluation set:

Loss: 0.5996
Accuracy: 0.8154

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: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.5918	1.0	351	0.9104	0.7364
1.2837	2.0	703	0.6691	0.796
1.1241	2.99	1053	0.5996	0.8154

Framework versions

Transformers 4.30.2
Pytorch 2.0.1+cu118
Datasets 2.13.0
Tokenizers 0.13.3

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: SwinForImageClassification
Ревизия весов: dab803f