Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224
Библиотека: transformers
Опубликована: 8 авг 2026

Ссылки

Hugging Face

vit-riceleafbd-7november2025v2

nqvii

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer классифицирует изображения листьев риса по классам набора болезней риса.

11скачиваний за 30 дней0лайковвеса обновлены8 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/vit-riceleafbd-7november2025v2 — дообученная nqvii модель классификации изображений листьев риса, созданная на базе Vision Transformer Google google/vit-base-patch16-224 и обученная на наборе rice-diseases-image-dataset. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors; лицензия — Apache-2.0.

Модель предназначена для отнесения изображений к классам набора болезней риса. В README для тестовой выборки указаны accuracy 0,9793, F1 0,9818, recall 0,9831 и loss 1,0941. Эти результаты относятся к описанной оценочной выборке и сами по себе не гарантируют качество на других условиях съёмки или типах листьев.

Сценарии применения

классификация изображений листьев риса
распознавание болезней риса по фотографии листа
автоматическая сортировка изображений рисовых листьев по классам

Ограничения

Показатели приведены только для оценочной выборки, а сведения о классах и составе обучающих данных в README не раскрыты; качество на изображениях из других условий не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-riceleafbd-7november2025v2

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

Loss: 1.0941
Accuracy: 0.9793
F1 Score: 0.9818
Recall: 0.9831

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: 1e-05
train_batch_size: 64
eval_batch_size: 64
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: 150
num_epochs: 100
label_smoothing_factor: 0.15

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1 Score	Recall
3.2388	1.0	19	3.1369	0.2207	0.1485	0.2041
3.0146	2.0	38	2.8588	0.3310	0.2437	0.2877
2.5872	3.0	57	2.5202	0.4552	0.4004	0.4039
2.1867	4.0	76	2.1757	0.6621	0.6470	0.6264
1.8151	5.0	95	1.8032	0.8138	0.8278	0.8189
1.5088	6.0	114	1.5041	0.8483	0.8664	0.8681
1.2751	7.0	133	1.3375	0.8897	0.9038	0.9093
1.1891	8.0	152	1.2427	0.9310	0.9385	0.9387
1.1147	9.0	171	1.2279	0.9379	0.9447	0.9485
1.0932	10.0	190	1.1802	0.9310	0.9387	0.9412
1.0565	11.0	209	1.1744	0.9379	0.9447	0.9485
1.0276	12.0	228	1.1759	0.9379	0.9447	0.9485
1.0484	13.0	247	1.1875	0.9379	0.9464	0.9536
1.0223	14.0	266	1.1503	0.9586	0.9624	0.9632
1.0341	15.0	285	1.1367	0.9655	0.9699	0.9732
0.9960	16.0	304	1.1431	0.9586	0.9639	0.9683
1.0004	17.0	323	1.1354	0.9586	0.9639	0.9683
0.9870	18.0	342	1.1230	0.9724	0.9758	0.9782
0.9848	19.0	361	1.1146	0.9724	0.9758	0.9782
0.9705	20.0	380	1.1073	0.9724	0.9758	0.9782
0.9817	21.0	399	1.1136	0.9655	0.9699	0.9732
0.9827	22.0	418	1.1386	0.9448	0.9522	0.9585
0.9770	23.0	437	1.1081	0.9655	0.9699	0.9732
0.9720	24.0	456	1.0941	0.9793	0.9818	0.9831
0.9762	25.0	475	1.0859	0.9793	0.9818	0.9831
0.9693	26.0	494	1.1249	0.9517	0.9581	0.9634
0.9670	27.0	513	1.0965	0.9724	0.9758	0.9782
0.9640	28.0	532	1.1014	0.9655	0.9699	0.9732
0.9712	29.0	551	1.1083	0.9655	0.9699	0.9732
0.9704	30.0	570	1.1001	0.9655	0.9699	0.9732
0.9707	31.0	589	1.0955	0.9655	0.9699	0.9732
0.9662	32.0	608	1.1017	0.9586	0.9639	0.9683
0.9667	33.0	627	1.1039	0.9586	0.9639	0.9683
0.9603	34.0	646	1.0957	0.9655	0.9699	0.9732
0.9680	35.0	665	1.0971	0.9655	0.9699	0.9732

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: ViTForImageClassification
Ревизия весов: 405d818