/ Модель

Характеристики

Лицензия
MIT
Опубликована
9 июл 2026

cv-multitask-pipeline

Классификация изображенийИзображение → label

Модель на базе EfficientNet-B0 одновременно классифицирует изображения по 20 классам PASCAL VOC и предсказывает рамку объекта.

0скачиваний за 30 дней0лайковвеса обновлены11 июл 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

omUniyal/cv-multitask-pipeline — модель компьютерного зрения для классификации изображений и обнаружения объектов, разработанная Om Uniyal. Она использует замороженный backbone EfficientNet-B0, предварительно обученный на ImageNet, и две обучаемые головы: классификационную на 20 классов и детекционную, предсказывающую нормализованные координаты ограничивающей рамки. Модель обучена на PASCAL VOC 2012; в описанном эксперименте достигла точности Top-1 79,9% и среднего IoU 0,468.

Модель предназначена для распознавания объектов из 20 классов PASCAL VOC и предсказания рамки для объекта на изображении. Она не рассчитана на обнаружение нескольких объектов в одном изображении и не имеет класса для неизвестных или выходящих за пределы обучающих данных объектов. В README отмечено переобучение после пятой эпохи. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Сценарии применения

  • классификация изображений по 20 классам PASCAL VOC
  • определение ограничивающей рамки одного объекта на изображении
  • эксперименты с многозадачным обучением компьютерного зрения
  • учебные демонстрации классификации и локализации объектов

Ограничения

Модель предсказывает рамку только для одного объекта и не распознаёт объекты вне фиксированного набора классов. В README отмечено переобучение после пятой эпохи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CV Multitask Pipeline

Multi-task computer vision model performing simultaneous object classification and bounding box detection on PASCAL VOC 2012 (20 classes).

Model Details

  • Architecture: Frozen EfficientNet-B0 backbone + custom classification head + custom detection head
  • Backbone: ImageNet-pretrained EfficientNet-B0 (frozen, 4M params)
  • Classification head: 667K trainable params, outputs 20-class logits
  • Detection head: 329K trainable params, outputs normalized bbox coordinates

Training

  • Dataset: PASCAL VOC 2012 (5,717 train / 5,823 val images)
  • Epochs: 30 (best checkpoint at epoch 5)
  • Loss: Weighted multi-task loss (CrossEntropy + SmoothL1, λ_cls=1.0, λ_det=5.0)
  • Hardware: Google Colab T4 GPU

Results

MetricValue
Top-1 Accuracy79.9%
Mean IoU0.468
IoU@0.5 Accuracy49.2%

Usage

import torch
from huggingface_hub import hf_hub_download

checkpoint_path = hf_hub_download(
    repo_id="OmUniyal/cv-multitask-pipeline",
    filename="best_model.pt"
)
checkpoint = torch.load(checkpoint_path, map_location="cpu", weights_only=True)

Full model code and inference pipeline: GitHub repo

Limitations

  • Closed-set classification — no "none of the above" option for out-of-distribution images
  • Overfitting observed after epoch 5
  • Single bbox regression — doesn't handle multiple objects per image

Live Demo

HuggingFace Spaces

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
1399a2e

0 моделей