Характеристики

Параметры: 33 млн
Лицензия: Apache 2.0
Архитектура: swin · dense
Базовая модель: swin-tiny-patch4-window7-224
Библиотека: transformers
Опубликована: 18 июл 2026

Ссылки

Hugging Face

swin-tiny-rice-disease

nqvii

Классификация изображенийИзображение → label

Дообученная Swin-Tiny классифицирует изображения риса по признакам заболеваний.

11скачиваний за 30 дней0лайковвеса обновлены3 авг 2026

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

nqvii разработал дообученную модель Swin-Tiny для классификации изображений риса по признакам заболеваний. Она основана на microsoft/swin-tiny-patch4-window7-224, имеет около 33 млн параметров и использует архитектуру Swin Transformer. Модель принимает изображение и предсказывает класс заболевания риса.

На оценочном наборе указаны accuracy 0,8771, F1 0,8783, recall 0,8774 и loss 0,8022. Модель подходит для классификации изображений в задачах мониторинга состояния рисовых посевов; показатели относятся к указанному набору оценки. Лицензия — Apache-2.0.

Сценарии применения

Определение заболевания риса по фотографии листа
Предварительная сортировка снимков рисовых посевов по классам болезней
Подготовка изображений риса для последующей проверки агрономом

Ограничения

Результаты оценки приведены для набора rice_disease_701515; переносимость на другие сорта, условия съёмки и классы заболеваний не подтверждена. Карточка не описывает классы модели и ограничения применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

swin-tiny-rice-disease

This model is a fine-tuned version of microsoft/swin-tiny-patch4-window7-224 on the rice_disease_701515 dataset. It achieves the following results on the evaluation set:

Accuracy: 0.8771
F1 Score: 0.8783
Loss: 0.8022
Recall: 0.8774

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: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 0.1
num_epochs: 35

Training results

Training Loss	Epoch	Step	Accuracy	F1 Score	Validation Loss	Recall
2.6015	1.0	31	0.4019	0.3953	2.5301	0.3990
2.0857	2.0	62	0.6383	0.6408	1.8060	0.6379
1.5981	3.0	93	0.7234	0.7269	1.4075	0.7226
1.4038	4.0	124	0.8014	0.8005	1.0924	0.8016
1.3016	5.0	155	0.7730	0.7755	1.0891	0.7740
1.1921	6.0	186	0.7801	0.7821	1.1443	0.7797
1.0699	7.0	217	0.8345	0.8345	0.8551	0.8350
1.0590	8.0	248	0.8298	0.8300	0.9121	0.8296
0.9309	9.0	279	0.8558	0.8541	0.8474	0.8558
1.1103	10.0	310	0.8369	0.8364	0.8958	0.8366
0.8052	11.0	341	0.8723	0.8714	0.8341	0.8731
0.8316	12.0	372	0.8605	0.8595	0.8205	0.8611
0.7925	13.0	403	0.8652	0.8642	0.8144	0.8653
0.7598	14.0	434	0.8842	0.8840	0.7775	0.8840
0.7854	15.0	465	0.8936	0.8941	0.6830	0.8938
0.6274	16.0	496	0.8842	0.8845	0.7228	0.8838
0.7235	17.0	527	0.8794	0.8785	0.8013	0.8793
0.6191	18.0	558	0.8652	0.8657	0.8238	0.8657
0.6272	19.0	589	0.8794	0.8799	0.7262	0.8798
0.5298	20.0	620	0.8652	0.8647	0.8447	0.8653
0.5665	21.0	651	0.8747	0.8741	0.8196	0.8750
0.5508	22.0	682	0.8842	0.8834	0.7673	0.8848
0.5440	23.0	713	0.8629	0.8638	0.8191	0.8635
0.6131	24.0	744	0.8676	0.8672	0.8758	0.8674
0.4691	25.0	775	0.8652	0.8659	0.8382	0.8659
0.4537	26.0	806	0.8700	0.8715	0.8270	0.8704
0.6059	27.0	837	0.8771	0.8783	0.8022	0.8774

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: SwinForImageClassification
Ревизия весов: 2f45b81