/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense

vit-base-patch16-224-cifar10

Классификация изображенийИзображение → label3 профессии

ViT, дообученный на CIFAR-10, классифицирует изображения и может использоваться как основа для построения классификаторов на новых наборах данных.

1 919скачиваний за 30 дней12лайковвеса обновлены28 янв 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

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная nateraw. Она основана на ViT, предварительно обученном Google на ImageNet-21k, и дообучена на CIFAR-10 для классификации изображений с разрешением 224×224 пикселя. Изображение разбивается на патчи 16×16, которые обрабатывает трансформерный энкодер; модель содержит 113,2 млн параметров.

Модель предназначена для отнесения изображений к классам CIFAR-10 и может служить отправной точкой для задач классификации изображений. В карточке также описано применение энкодера для извлечения признаков и обучения классификатора на новых размеченных наборах данных. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

README отмечает, что классификационная голова из исходного предобучения была обнулена, а предобученный pooler сохранён. Поэтому следует учитывать назначение конкретной головы классификации при использовании чекпойнта на других наборах данных.

Сценарии применения

  • классификация изображений CIFAR-10 по 10 категориям
  • создание прототипа классификатора изображений
  • извлечение признаков изображений для последующей классификации

Ограничения

Модель дообучена на CIFAR-10, поэтому её классификатор рассчитан на классы этого набора и может не подходить для других категорий без адаптации. README указывает, что исходная классификационная голова предобученной модели была обнулена.

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

Vision Transformer Fine Tuned on CIFAR10

Vision Transformer (ViT) model pre-trained on ImageNet-21k (14 million images, 21,843 classes) and fine-tuned on CIFAR10 at resolution 224x224.

Check out the code at my my Github repo.

Usage

from transformers import ViTFeatureExtractor, ViTForImageClassification
from PIL import Image
import requests

url = 'https://www.cs.toronto.edu/~kriz/cifar-10-sample/dog10.png'
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = ViTFeatureExtractor.from_pretrained('nateraw/vit-base-patch16-224-cifar10')
model = ViTForImageClassification.from_pretrained('nateraw/vit-base-patch16-224-cifar10')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
preds = outputs.logits.argmax(dim=1)

classes = [
    'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'
]
classes[preds[0]]

Model description

The Vision Transformer (ViT) is a transformer encoder model (BERT-like) pretrained on a large collection of images in a supervised fashion, namely ImageNet-21k, at a resolution of 224x224 pixels. Images are presented to the model as a sequence of fixed-size patches (resolution 16x16), which are linearly embedded. One also adds a [CLS] token to the beginning of a sequence to use it for classification tasks. One also adds absolute position embeddings before feeding the sequence to the layers of the Transformer encoder. Note that this model does not provide any fine-tuned heads, as these were zero'd by Google researchers. However, the model does include the pre-trained pooler, which can be used for downstream tasks (such as image classification).

By pre-training the model, it learns an inner representation of images that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled images for instance, you can train a standard classifier by placing a linear layer on top of the pre-trained encoder. One typically places a linear layer on top of the [CLS] token, as the last hidden state of this token can be seen as a representation of an entire image.

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
ViTForImageClassification
Ревизия весов
b55eeb4

0 моделей