Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 22 фев 2024

Ссылки

Hugging Face

vit-cifar100

nickypro

Классификация изображенийИзображение → label

Дообученный ViT для классификации изображений по 100 классам CIFAR-100.

299скачиваний за 30 дней0лайковвеса обновлены22 фев 2024

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

nickypro/vit-cifar100 — модель классификации изображений на базе архитектуры Vision Transformer (ViT), дообученная на наборе CIFAR-100. Она содержит 113,2 млн параметров и предназначена для отнесения изображений к классам этого набора данных.

В README указана базовая модель google/vit-base-patch16-224-in21k и результаты оценки на тестовой выборке CIFAR-100: точность 89,85% и loss 0,442. Модель реализована на PyTorch и распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация изображений CIFAR-100
Оценка качества моделей компьютерного зрения на CIFAR-100
Эксперименты с переносом обучения ViT
Демонстрация классификации изображений на наборе CIFAR-100

Ограничения

Модель дообучена для классов CIFAR-100; README не сообщает о проверке качества на других наборах данных или сценариях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-beans-demo-v5

Note: This model is copied from Ahmed9275/Vit-Cifar100. See below for details

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the Cifar100 dataset. It achieves the following results on the evaluation set:

Loss: 0.4420
Accuracy: 0.8985

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0002
train_batch_size: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.08	1.0	3125	0.6196	0.8262
0.3816	2.0	6250	0.5322	0.8555
0.1619	3.0	9375	0.4817	0.8765
0.0443	4.0	12500	0.4420	0.8985

Framework versions

Transformers 4.19.2
Pytorch 1.11.0+cu113
Datasets 2.2.1
Tokenizers 0.12.1

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: 27c87df