/ Модель

Характеристики

Лицензия
MIT
Архитектура
custom_vit_nano · dense
Библиотека
transformers
Опубликована
21 авг 2026

vit-nano-patch16-224

Классификация изображенийИзображение → label3 профессии

Компактный Vision Transformer с 4,24 млн параметров для классификации изображений ImageNet-1K и экспериментов с лёгкими визуальными моделями.

26скачиваний за 30 дней2лайкавеса обновлены30 авг 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

CustomViT-Nano — компактная модель классификации изображений, разработанная автором репозитория kd13. Она предназначена для классификации изображений природных объектов в стиле ImageNet-1K, а также для экспериментов с небольшими визуальными энкодерами и их переносом на смежные задачи. Модель содержит 4,24 млн обучаемых параметров и принимает изображения размером 224 × 224 пикселя; архитектура объединяет многоступенчатый сверточный stem, 2D Rotary Positional Embeddings, Pre-RMSNorm, блоки SwiGLU и внимание PyTorch SDPA.

На валидационном наборе ImageNet-1K автор сообщает точность Top-1 63,60% и Top-5 84,93% для 1000 классов. Небольшой размер делает модель подходящей для ограниченных по ресурсам сценариев и учебных экспериментов. Она ориентирована на классификацию и не предназначена для обнаружения объектов, сегментации или генерации подписей. Качество может снижаться на изображениях, отличающихся от естественных изображений ImageNet; перед применением в критичных сценариях требуется отдельная оценка. Лицензия — MIT.

Сценарии применения

  • классификация изображений на 1000 классов ImageNet
  • классификация естественных изображений на устройствах с ограниченными ресурсами
  • перенос компактного визуального энкодера на прикладные наборы данных
  • эксперименты с архитектурами Vision Transformer малого размера

Ограничения

Модель оптимизирована для классификации ImageNet-стиля и не предназначена для обнаружения объектов, сегментации или генерации подписей; на данных, отличающихся от ImageNet, качество может снижаться. Заявленные метрики следует проверять на целевом наборе данных перед использованием в критичных сценариях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CustomViT-Nano: 4.24M Parameter Compact Vision Transformer

CustomViT-Nano is a compact, modernized Vision Transformer architecture designed for efficient ImageNet-1K image classification under a small parameter budget. With only 4.24M trainable parameters, the model combines a lightweight convolutional stem with modern Transformer components including 2D Rotary Positional Embeddings, Pre-RMSNorm, SwiGLU feed-forward layers, and PyTorch SDPA attention. The model is designed to deliver strong classification performance while remaining significantly smaller than standard large Vision Transformer baselines.


Key Architectural Features

CustomViT-Nano modernizes a small Vision Transformer design using several efficiency-focused architectural components.

ComponentDesign in CustomViT-Nano
Patch EmbeddingMulti-stage convolutional stem instead of single large patchify projection
Stem ActivationGELU
Token Layout14 × 14 patch tokens + CLS token
NormalizationPre-RMSNorm inside Transformer blocks
AttentionMulti-head attention using PyTorch scaled dot-product attention
Position Encoding2D Rotary Positional Embeddings for image patch grids
MLP BlockSwiGLU gated feed-forward network
ClassifierCLS-token classification head

ConvStem Design

Instead of directly projecting 16 × 16 image patches with one large-stride convolution, CustomViT-Nano uses a progressive convolutional stem:

224 × 224 × 3
     ↓
112 × 112 × 32
     ↓
56 × 56 × 64
     ↓
28 × 28 × 128
     ↓
14 × 14 × 224

This gives the model a stronger local visual inductive bias before global Transformer reasoning.


Benchmark & Evaluation

  • Evaluation Dataset: ImageNet-1K validation set
  • Total Evaluation Images: 50,000
  • Input Resolution: 224 × 224
  • Number of Classes: 1000
ModelParametersTop-1 AccuracyTop-5 Accuracy
CustomViT-Nano4.24M63.60%84.93%
Google ViT-B/1686.6M80.31%95.49%

Parameter Efficiency Comparison

CustomViT-Nano is approximately 20.4× smaller than the reference Google ViT-B/16 model.

Google ViT-B/16:      86.6M parameters
CustomViT-Nano:     4.24M parameters

Parameter reduction:

86.6M / 4.24M ≈ 20.4× smaller

Despite using only around 4.9% of the parameters of the 86.6M ViT baseline, CustomViT-Nano achieves:

  • 63.60% Top-1 Accuracy
  • 84.93% Top-5 Accuracy

on the ImageNet-1K validation set.


Target Use Cases & Applications

CustomViT-Nano is suitable for scenarios where a compact visual classifier is preferred over a large transformer model.

  1. Compact Image Classification
    Lightweight ImageNet-style classification with a transformer-based architecture.

  2. Edge & Resource-Constrained Vision
    Useful for environments where model size and memory footprint are important constraints.

  3. Educational Vision Transformer Research
    A compact architecture for studying ConvStem patch embeddings, 2D RoPE, SDPA attention, RMSNorm, and SwiGLU inside a full ImageNet-scale classifier.

  4. Backbone Experiments
    Can be used as a small image encoder backbone for downstream classification or transfer-learning experiments.

  5. Efficient Model Baselines
    Useful as a compact baseline for experiments involving distillation, pruning, quantization, or architecture search.


How to Use

Fast Inference with Hugging Face pipeline

from transformers import pipeline

classifier = pipeline(
    "image-classification",
    model="kd13/vit-nano-patch16-224",
    trust_remote_code=True
)

results = classifier(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/parrots.png"
)

for pred in results:
    print(f"Label: {pred['label']} | Score: {pred['score']:.4f}")

Inference with PIL Image

from PIL import Image
from transformers import pipeline

classifier = pipeline(
    "image-classification",
    model="kd13/vit-nano-patch16-224",
    trust_remote_code=True
)

image = Image.open("image.jpg").convert("RGB")

results = classifier(image)

for pred in results:
    print(f"Label: {pred['label']} | Score: {pred['score']:.4f}")

Limitations

  • The model is smaller than standard ViT-B models and therefore has lower absolute ImageNet accuracy.
  • It is optimized for image classification, not detection, segmentation, captioning, or multimodal tasks.
  • Performance may vary on images that differ significantly from ImageNet-style natural images.
  • For maximum accuracy, larger models or teacher-distilled variants may perform better.

Disclaimer

This model is intended for research, experimentation, and efficient image-classification use cases. It should be evaluated carefully before use in production or safety-critical applications.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
CustomViTNanoForImageClassification
Ревизия весов
8795582

0 моделей