/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
cvt · dense
Опубликована
4 апр 2022

cvt-13-384-22k

Классификация изображенийИзображение → label4 профессии

CvT-13-384-22k — модель классификации изображений, дообученная на ImageNet-1k после предобучения на ImageNet-22k.

208скачиваний 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-13-384-22k — свёрточный Vision Transformer (CvT), впервые опубликованный авторами Wu et al. в работе «CvT: Introducing Convolutions to Vision Transformers». Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя.

Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять для классификации фотографий и как визуальный компонент прикладных систем, которым нужны метки классов. Репозиторий содержит веса PyTorch и TensorFlow; лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по 1000 классам ImageNet
  • распознавание объектов на фотографиях из пользовательской коллекции
  • автоматическая разметка изображений для каталога
  • получение меток классов для визуальной аналитики

Ограничения

Модель выдаёт классы из набора ImageNet-1k и может не подходить для категорий, отсутствующих в этом наборе. README описывает входное разрешение 384×384 пикселя.

Для каких профессий подходит4

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-22k and fine-tuned 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-13-384-22k')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13-384-22k')

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
dffbc91

0 моделей