/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
cvt · dense
Опубликована
4 апр 2022

cvt-21-384

Классификация изображенийИзображение → label3 профессии

CvT-21 — сверточный Vision Transformer для классификации изображений по 1000 классам ImageNet-1k.

217скачиваний 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

microsoft/cvt-21-384 — сверточный Vision Transformer CvT-21 от Microsoft, предварительно обученный на ImageNet-1k для классификации изображений. Модель принимает изображение с разрешением 384×384 и относит его к одному из 1000 классов ImageNet.

Архитектура CvT сочетает свёрточные операции с механизмами трансформера. Модель предназначена для распознавания объектов на изображениях и может применяться как классификатор или основа для экспериментов с компьютерным зрением. В репозитории доступны веса PyTorch и TensorFlow.

Модель распространяется по лицензии Apache-2.0. Её назначение ограничено классификацией изображений на наборе классов ImageNet-1k; она не выполняет обнаружение объектов или описание изображений.

Сценарии применения

  • классификация объектов на изображениях
  • определение класса изображения из 1000 категорий ImageNet
  • распознавание изображений для прототипов компьютерного зрения

Ограничения

Модель предсказывает только классы из набора ImageNet-1k и не предназначена для обнаружения объектов или генерации описаний изображений.

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-21 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-21-384')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-21-384')

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
0611e33

0 моделей