/ Модель

Характеристики

Параметры
113 млн
Архитектура
vit · dense
Опубликована
21 сен 2022

autotrain-dogs-and-cats-1527055142

Классификация изображенийИзображение → label3 профессии

ViT-модель для классификации изображений на собак и кошек.

25скачиваний за 30 дней2лайкавеса обновлены21 сен 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

Модель Omarques, обученная с помощью AutoTrain, предназначена для бинарной классификации изображений собак и кошек. Это модель на архитектуре Vision Transformer (ViT) с примерно 113,2 млн параметров, опубликованная в формате PyTorch и обученная на наборе данных omarques/autotrain-data-dogs-and-cats. Она принимает изображение и определяет, относится ли оно к классу собак или кошек.

В README приведены метрики на валидации: accuracy, precision, recall, AUC и F1 равны 1,000. Эти результаты характеризуют только указанную проверочную выборку и не гарантируют такую же точность на новых изображениях. Лицензия в доступных данных не указана.

Сценарии применения

  • определение, изображена ли на фото собака или кошка
  • автоматическая сортировка фотографий собак и кошек
  • разметка изображений питомцев для датасета

Ограничения

Метрики приведены только для валидационной выборки и могут не отражать качество на новых изображениях. Модель предназначена для двух классов — собак и кошек.

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

Model Trained Using AutoTrain

  • Problem type: Binary Classification
  • Model ID: 1527055142
  • CO2 Emissions (in grams): 0.8187

Validation Metrics

  • Loss: 0.068
  • Accuracy: 1.000
  • Precision: 1.000
  • Recall: 1.000
  • AUC: 1.000
  • F1: 1.000

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
b8f5816

0 моделей