/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
cvt · dense
Опубликована
4 апр 2022

cvt-13

Классификация изображенийИзображение → label3 профессии

CvT-13 — модель компьютерного зрения для классификации изображений по 1000 классам ImageNet.

14 890скачиваний за 30 дней18лайковвеса обновлены17 сен 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

microsoft/cvt-13 — модель Convolutional Vision Transformer (CvT-13), представленная Microsoft и предварительно обученная на ImageNet-1k для классификации изображений. Она принимает изображение размером 224×224 и предсказывает один из 1000 классов ImageNet. Архитектура CvT сочетает свёрточные операции с Vision Transformer; модель поддерживается в форматах PyTorch, Safetensors и TensorFlow.

Модель подходит для распознавания объектов и сцен на изображениях, в том числе как готовый классификатор или основа для последующей адаптации под другие наборы классов. Карточка не приводит отдельные оценки качества и сведения о размере модели. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация изображений по классам ImageNet
  • распознавание объектов на фотографиях
  • определение категории изображения
  • использование как основы для адаптации классификатора под свой набор данных

Ограничения

Предобучение рассчитано на входное разрешение 224×224 и категории ImageNet-1k; для иных классов может потребоваться дообучение. Карточка не содержит оценок качества модели.

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

Convolutional Vision Transformer (CvT)

CvT-13 model pre-trained on ImageNet-1k at resolution 224x224. It was introduced in the paper CvT: Introducing Convolutions to Vision Transformers by Wu et al. and first released in this repository.

Disclaimer: The team releasing CvT did not write a model card for this model so this model card has been written by the Hugging Face team.

Usage

Here is how to use this model to classify an image of the COCO 2017 dataset into one of the 1,000 ImageNet classes:

from transformers import AutoFeatureExtractor, CvtForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = AutoFeatureExtractor.from_pretrained('microsoft/cvt-13')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

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
CvtForImageClassification
Ревизия весов
84e365a

0 моделей