Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Базовая модель: swin-tiny-patch4-window7-224
Опубликована: 24 янв 2024

Ссылки

Hugging Face

classification_INE_v1

judith0

Классификация изображенийИзображение → label

Дообученная на EuroSAT модель Swin-Tiny для классификации спутниковых изображений.

7скачиваний за 30 дней0лайковвеса обновлены24 янв 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

judith0/classification_INE_v1 — модель классификации изображений, созданная дообучением Swin-Tiny от Microsoft на наборе данных imagefolder. Модель содержит 33 млн параметров и распространяется в формате Safetensors; лицензия — Apache-2.0.

По README, на оценочной выборке модель достигла accuracy 0,9767 при loss 0,2135. Название карточки указывает на дообучение для EuroSAT, поэтому модель предназначена для отнесения спутниковых изображений к классам этого набора данных. Подробности о классах и условиях оценки в карточке не приведены.

Сценарии применения

классификация спутниковых снимков по классам EuroSAT
распознавание типов земного покрова на снимках дистанционного зондирования
автоматическая разметка изображений для задач анализа земной поверхности

Ограничения

В README не описаны состав классов, ограничения применения и протокол оценки; указанная точность относится только к оценочной выборке. Качество на других спутниковых данных не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

swin-tiny-patch4-window7-224-finetuned-eurosat

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

Loss: 0.2135
Accuracy: 0.9767

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
No log	0.96	6	0.4536	0.9186
0.691	1.92	12	0.2135	0.9767
0.691	2.88	18	0.1602	0.9767

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu121
Datasets 2.16.1
Tokenizers 0.15.0

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: 810c980