/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
cvt · dense
Опубликована
4 апр 2022

cvt-13-384

Классификация изображенийИзображение → label3 профессии

CvT-13-384 — модель компьютерного зрения для классификации изображений по 1000 классам ImageNet-1k.

216скачиваний за 30 дней2лайкавеса обновлены11 окт 2022

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

CvT-13-384 — модель классификации изображений семейства Convolutional Vision Transformer (CvT), представленная Wu и соавторами. Она предварительно обучена на ImageNet-1k с разрешением 384×384 и предназначена для отнесения изображения к одному из 1000 классов ImageNet. Архитектура объединяет свёрточные операции с Vision Transformer; доступны веса PyTorch и TensorFlow.

Модель подходит для классификации фотографий и изображений в сценариях, где требуется выбрать метку из набора классов ImageNet. Репозиторий опубликован под лицензией Apache-2.0. Карточка не приводит оценок качества или сведений о дополнительной настройке; область применения модели ограничена распознаванием классов, представленых в ImageNet-1k.

Сценарии применения

  • классификация объектов на фотографиях
  • определение класса изображения из набора ImageNet-1k
  • автоматическая разметка изображений по категориям
  • извлечение метки класса для изображений в компьютерном зрении

Ограничения

Модель классифицирует изображения только в рамках набора из 1000 классов ImageNet-1k; карточка не сообщает метрики качества и не описывает другие задачи компьютерного зрения.

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 384x384. 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-13-384')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13-384')

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
a143314

0 моделей