/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Библиотека
transformers
Опубликована
17 мая 2025

vit-90-animals

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer классифицирует изображения по 90 видам животных.

71скачиваний за 30 дней0лайковвеса обновлены19 мая 2025

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

maceythm/vit-90-animals — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224 на наборе изображений животных. Она относит изображение к одному из 90 видов животных и подходит для прототипов, учебных демонстраций и сравнения с моделями классификации без обучения на конкретных классах. Модель содержит 113,2 млн параметров; в репозитории веса представлены в формате safetensors. Для тестовой выборки автор сообщает точность 97,96%.

Модель принимает изображения и возвращает метку класса. Она ограничена 90 классами обучения, может хуже работать на изображениях, отличающихся от обучающих данных, а низкое качество снимка и перекрытия объектов способны снизить точность. Лицензия — Apache-2.0.

Сценарии применения

  • определение вида животного на фотографии
  • классификация изображений животных в учебном проекте
  • создание демонстрационного приложения для распознавания животных
  • сравнение классификатора с zero-shot моделями

Ограничения

Распознаёт только 90 видов из обучающего набора и может хуже работать на изображениях вне его распределения. Низкое качество снимка и перекрытия объектов снижают точность.

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

vit-90-animals


Model description

This model is a fine-tuned Vision Transformer version of google/vit-base-patch16-224 on the animal image dataset from kaggle - trained to classify images into 90 different animal species. It achieves high accuracy on unseen data and was trained using supervised learning. The model can be used for general-purpose image classification in the animal domain and serves as a comparison baseline for zero-shot classification models such as CLIP.

The model achieves the following results on the evaluation set:

  • Loss: 0.0840
  • Accuracy: 0.9796

Intended uses & limitations

Intended uses

  • Animal image classification (educational, demo, prototyping)
  • Benchmarking against zero-shot classification models
  • Use in Gradio interfaces or image analysis tools

Limitations

  • The model is limited to the 90 animal classes it was trained on
  • It may not generalize well to image domains outside of its training distribution
  • Performance can degrade with poor image quality or occlusions

Training and evaluation data

The model was trained on a dataset containing 5,400 animal images categorized into 90 distinct classes. The dataset was obtained from Kaggle and according to the creator originally sourced from Google Images. The training/validation/test split was 80/10/10, and the label distribution is relatively balanced across classes.

Evaluation was conducted on the test split and compared to results from a zero-shot model (openai/clip-vit-large-patch14) using the same label set.

Training procedure

  • Base model: google/vit-base-patch16-224
  • Fine-tuning method: Supervised training using the Hugging Face Trainer class
  • Data augmentation: Applied during training (e.g., RandomHorizontalFlip, ColorJitter)
  • Training time: ~5 epochs with and without augmentation
  • Optimizer: AdamW (default settings)
  • Evaluation metrics: Accuracy, precision, and recall
  • Best performance (no augmentation): 98.3% test accuracy

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 5

Training results

Training LossEpochStepValidation LossAccuracy
1.20211.02700.35000.9611
0.29782.05400.17660.9685
0.18863.08100.15000.9685
0.17064.010800.14090.9685
0.16785.013500.13730.9667

Framework versions

  • Transformers 4.50.0
  • Pytorch 2.6.0+cu124
  • Datasets 3.4.1
  • Tokenizers 0.21.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTForImageClassification
Ревизия весов
e4c6682

0 моделей