/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
cvt · dense
Опубликована
18 мая 2022

cvt-w24-384-22k

Классификация изображенийИзображение → label3 профессии

CvT-w24-384-22k — сверточный Vision Transformer для классификации изображений по 1 000 классам ImageNet.

390скачиваний за 30 дней1лайквеса 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-w24-384-22k — сверточный Vision Transformer для классификации изображений. Модель разработана авторами статьи «CvT: Introducing Convolutions to Vision Transformers» и предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k.

Модель принимает изображение размером 384×384 пикселя и предсказывает один из 1 000 классов ImageNet. Её можно использовать для распознавания объектов на фотографиях и других изображениях; репозиторий содержит веса в форматах PyTorch и TensorFlow.

Модель распространяется по лицензии Apache-2.0. Она предназначена для классификации в рамках классов ImageNet и может хуже работать с изображениями, содержанием или распределением данных, отличающимися от обучающих наборов.

Сценарии применения

  • классификация объектов на фотографиях
  • распознавание объектов из классов ImageNet
  • определение категории изображения размером 384×384

Ограничения

Предсказания ограничены набором из 1 000 классов ImageNet; качество может снижаться на изображениях, отличающихся от обучающих данных.

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-w24 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-w24-384-22k')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-w24-384-22k')

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
ec3f418

0 моделей