Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Базовая модель: classification_INE_v1
Опубликована: 24 янв 2024

Ссылки

Hugging Face

classification_INE_v2

judith0

Классификация изображенийИзображение → label

Дообученная модель Swin для классификации спутниковых изображений EuroSAT.

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

Модель judith0/classification_INE_v2 — дообученная версия judith0/classification_INE_v1 для классификации спутниковых изображений из набора EuroSAT. Она построена на архитектуре Swin и содержит около 33 млн параметров. В README указаны результаты оценки на тестовой выборке: loss 0,0261 и accuracy 1,0.

Модель предназначена для присвоения изображению спутникового снимка класса; датасет обучения указан как imagefolder. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Данные не описывают классы, состав выборки и условия оценки, поэтому результат accuracy нельзя переносить на другие данные без отдельной проверки.

Сценарии применения

классификация спутниковых снимков EuroSAT
автоматическая категоризация изображений земной поверхности
оценка качества модели на тестовой выборке EuroSAT

Ограничения

README не описывает классы и состав обучающей выборки; заявленная точность 1,0 относится только к указанной оценочной выборке. Обобщение на другие спутниковые изображения не подтверждено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

classification_INE_v1-finetuned-eurosat

This model is a fine-tuned version of judith0/classification_INE_v1 on the imagefolder dataset. It achieves the following results on the evaluation set:

Loss: 0.0261
Accuracy: 1.0

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	0.0528	0.9884
0.1411	1.92	12	0.0261	1.0
0.1411	2.88	18	0.0182	1.0

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: d54d1eb