Swin-T, дообученная на Food-101, классифицирует изображения по 101 категории блюд.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
mnjm/swin-t-food101 — контрольная точка модели Swin-T, обученной для классификации изображений еды на наборе Food-101. Репозиторий содержит сырые веса PyTorch и снимок конфигурации обучения; модель предсказывает классы блюд на изображениях.
На проверочной выборке Food-101 указана точность top-1 69,97% и top-5 88,88%. Лицензия репозитория — MIT. Карточка описывает экспорт контрольной точки одного запуска обучения.
На проверочной выборке Food-101 точность top-1 составляет 69,97%; результат может отличаться на изображениях и категориях вне этого набора. README предоставляет сырой чекпойнт и отсылает к исходному репозиторию за инструкциями по использованию.
README от автора на Hugging Face, как он его опубликовал
Raw training checkpoint exported from this repository: https://github.com/mnjm/vit
Swin-T-food101.pt: raw checkpoint from this training runconfig/: Hydra config snapshot saved with the runSwin-T-food101.ptfood101Swin-T| Split | Loss | Acc@1 | Acc@5 |
|---|---|---|---|
| Train | 0.0139 | 99.63% | 99.97% |
| Val | 1.6996 | 69.97% | 88.88% |
This is a raw checkpoint dump. To use it check here
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · pytorch · image-classification
В репозитории нет config.json: не понять архитектуру модели.