Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 22 окт 2023

Ссылки

Hugging Face

mahjong_soul_vision

pjura

Классификация изображенийИзображение → label3 профессии

Дообученная на наборе изображений модель ViT для классификации изображений; конкретные классы не описаны.

212скачиваний за 30 дней1лайквеса обновлены28 окт 2023

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

mahjongsoulvision — дообученная pjura модель классификации изображений на базе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для классификации изображений, однако карточка не уточняет классы и сценарий применения.

В README приведены результаты на оценочной выборке: loss 0,0466, accuracy 0,9967, F1 0,9966 и recall 0,9967. Эти метрики характеризуют только указанную выборку и не позволяют судить о качестве на других данных. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

Классификация изображений в соответствии с классами обучающей выборки
Эксперименты по классификации изображений на базе ViT
Оценка изображений на данных, близких к обучающему набору

Ограничения

Не указаны классы и назначение обучающей выборки, поэтому применимость модели к конкретной задаче неясна. Высокие метрики приведены только для оценочной выборки; качество на других данных не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей 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

mahjong_soul_vision

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

Loss: 0.0466
Accuracy: 0.9967
F1: 0.9966
Recall: 0.9967

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: 5e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 250

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Recall
3.5154	1.0	17	3.5109	0.0234	0.0154	0.0234
3.4741	2.0	34	3.4796	0.0769	0.0703	0.0769
3.3627	3.0	51	3.4305	0.1661	0.1266	0.1661
3.2456	4.0	68	3.3608	0.2230	0.1652	0.2230
3.1598	5.0	85	3.2658	0.2676	0.1989	0.2676
2.9972	6.0	102	3.1531	0.3467	0.2807	0.3467
2.7832	7.0	119	3.0176	0.4749	0.4135	0.4749
2.6689	8.0	136	2.8651	0.5507	0.4891	0.5507
2.3725	9.0	153	2.6983	0.6734	0.6192	0.6734
2.1117	10.0	170	2.5176	0.7570	0.7124	0.7570
1.9014	11.0	187	2.3488	0.8105	0.7771	0.8105
1.6784	12.0	204	2.1735	0.8618	0.8440	0.8618
1.4541	13.0	221	2.0088	0.9164	0.9092	0.9164
1.3576	14.0	238	1.8511	0.9487	0.9463	0.9487
1.2025	15.0	255	1.6971	0.9721	0.9718	0.9721
1.0567	16.0	272	1.5578	0.9844	0.9842	0.9844
0.898	17.0	289	1.4185	0.9889	0.9887	0.9889
0.7663	18.0	306	1.2978	0.9900	0.9899	0.9900
0.7498	19.0	323	1.1911	0.9911	0.9910	0.9911
0.6427	20.0	340	1.0966	0.9900	0.9899	0.9900
0.616	21.0	357	1.0003	0.9911	0.9910	0.9911
0.4962	22.0	374	0.9015	0.9900	0.9900	0.9900
0.4871	23.0	391	0.8413	0.9900	0.9899	0.9900
0.4257	24.0	408	0.7768	0.9911	0.9910	0.9911
0.3961	25.0	425	0.7042	0.9933	0.9933	0.9933
0.3513	26.0	442	0.6645	0.9922	0.9922	0.9922
0.3294	27.0	459	0.6179	0.9911	0.9911	0.9911
0.3021	28.0	476	0.5852	0.9900	0.9899	0.9900
0.2726	29.0	493	0.5444	0.9933	0.9933	0.9933
0.257	30.0	510	0.5177	0.9911	0.9910	0.9911
0.2382	31.0	527	0.4924	0.9900	0.9899	0.9900
0.2222	32.0	544	0.4582	0.9933	0.9933	0.9933
0.2059	33.0	561	0.4408	0.9922	0.9922	0.9922
0.1928	34.0	578	0.4222	0.9911	0.9910	0.9911
0.1864	35.0	595	0.3997	0.9922	0.9922	0.9922
0.176	36.0	612	0.3844	0.9922	0.9922	0.9922
0.1625	37.0	629	0.3693	0.9922	0.9922	0.9922
0.154	38.0	646	0.3539	0.9922	0.9921	0.9922
0.1524	39.0	663	0.3380	0.9933	0.9933	0.9933
0.1415	40.0	680	0.3256	0.9933	0.9933	0.9933
0.1362	41.0	697	0.3147	0.9922	0.9922	0.9922
0.1307	42.0	714	0.3023	0.9933	0.9933	0.9933
0.1263	43.0	731	0.2914	0.9944	0.9944	0.9944
0.1185	44.0	748	0.2811	0.9944	0.9944	0.9944
0.1143	45.0	765	0.2708	0.9944	0.9944	0.9944
0.109	46.0	782	0.2646	0.9933	0.9933	0.9933
0.1023	47.0	799	0.2564	0.9944	0.9944	0.9944
0.1	48.0	816	0.2472	0.9944	0.9944	0.9944
0.0969	49.0	833	0.2409	0.9944	0.9944	0.9944
0.0931	50.0	850	0.2336	0.9944	0.9944	0.9944
0.0926	51.0	867	0.2266	0.9944	0.9944	0.9944
0.0874	52.0	884	0.2217	0.9933	0.9933	0.9933
0.0837	53.0	901	0.2134	0.9944	0.9944	0.9944
0.0796	54.0	918	0.2099	0.9933	0.9933	0.9933
0.0759	55.0	935	0.2038	0.9944	0.9944	0.9944
0.0745	56.0	952	0.1987	0.9944	0.9944	0.9944
0.0745	57.0	969	0.1937	0.9944	0.9944	0.9944
0.0678	58.0	986	0.1883	0.9944	0.9944	0.9944
0.0666	59.0	1003	0.1841	0.9944	0.9944	0.9944
0.0642	60.0	1020	0.1805	0.9944	0.9944	0.9944
0.0608	61.0	1037	0.1756	0.9944	0.9944	0.9944
0.0615	62.0	1054	0.1724	0.9944	0.9944	0.9944
0.0582	63.0	1071	0.1689	0.9944	0.9944	0.9944
0.0574	64.0	1088	0.1650	0.9944	0.9944	0.9944
0.0558	65.0	1105	0.1612	0.9944	0.9944	0.9944
0.0551	66.0	1122	0.1581	0.9944	0.9944	0.9944
0.054	67.0	1139	0.1550	0.9944	0.9944	0.9944
0.0529	68.0	1156	0.1516	0.9944	0.9944	0.9944
0.0508	69.0	1173	0.1491	0.9944	0.9944	0.9944
0.0497	70.0	1190	0.1462	0.9944	0.9944	0.9944
0.0469	71.0	1207	0.1436	0.9944	0.9944	0.9944
0.0478	72.0	1224	0.1417	0.9933	0.9933	0.9933
0.0433	73.0	1241	0.1384	0.9944	0.9944	0.9944
0.0406	74.0	1258	0.1359	0.9944	0.9944	0.9944
0.0432	75.0	1275	0.1337	0.9955	0.9955	0.9955
0.0425	76.0	1292	0.1315	0.9944	0.9944	0.9944
0.0393	77.0	1309	0.1297	0.9944	0.9944	0.9944
0.0405	78.0	1326	0.1270	0.9944	0.9944	0.9944
0.0403	79.0	1343	0.1250	0.9955	0.9955	0.9955
0.037	80.0	1360	0.1233	0.9944	0.9944	0.9944
0.0377	81.0	1377	0.1213	0.9944	0.9944	0.9944
0.0336	82.0	1394	0.1195	0.9955	0.9955	0.9955
0.0366	83.0	1411	0.1174	0.9955	0.9955	0.9955
0.0361	84.0	1428	0.1156	0.9955	0.9955	0.9955
0.0351	85.0	1445	0.1140	0.9955	0.9955	0.9955
0.0333	86.0	1462	0.1126	0.9955	0.9955	0.9955
0.0343	87.0	1479	0.1109	0.9967	0.9966	0.9967
0.0316	88.0	1496	0.1096	0.9955	0.9955	0.9955
0.0319	89.0	1513	0.1077	0.9955	0.9955	0.9955
0.0297	90.0	1530	0.1062	0.9967	0.9966	0.9967
0.0285	91.0	1547	0.1050	0.9967	0.9966	0.9967
0.0288	92.0	1564	0.1037	0.9967	0.9966	0.9967
0.0283	93.0	1581	0.1026	0.9967	0.9966	0.9967
0.0282	94.0	1598	0.1011	0.9967	0.9966	0.9967
0.0281	95.0	1615	0.1001	0.9967	0.9966	0.9967
0.0283	96.0	1632	0.0986	0.9967	0.9966	0.9967
0.0274	97.0	1649	0.0976	0.9967	0.9966	0.9967
0.0261	98.0	1666	0.0965	0.9955	0.9955	0.9955
0.0249	99.0	1683	0.0955	0.9967	0.9966	0.9967
0.0252	100.0	1700	0.0941	0.9967	0.9966	0.9967
0.0258	101.0	1717	0.0930	0.9967	0.9966	0.9967
0.024	102.0	1734	0.0921	0.9967	0.9966	0.9967
0.0244	103.0	1751	0.0910	0.9967	0.9966	0.9967
0.0226	104.0	1768	0.0904	0.9967	0.9966	0.9967
0.0238	105.0	1785	0.0890	0.9967	0.9966	0.9967
0.0233	106.0	1802	0.0881	0.9967	0.9966	0.9967
0.0219	107.0	1819	0.0870	0.9967	0.9966	0.9967
0.0213	108.0	1836	0.0863	0.9967	0.9966	0.9967
0.0221	109.0	1853	0.0855	0.9967	0.9966	0.9967
0.0209	110.0	1870	0.0848	0.9967	0.9966	0.9967
0.0207	111.0	1887	0.0838	0.9967	0.9966	0.9967
0.0203	112.0	1904	0.0828	0.9967	0.9966	0.9967
0.0203	113.0	1921	0.0823	0.9967	0.9966	0.9967
0.0193	114.0	1938	0.0814	0.9967	0.9966	0.9967
0.0199	115.0	1955	0.0806	0.9967	0.9966	0.9967
0.0202	116.0	1972	0.0799	0.9967	0.9966	0.9967
0.0192	117.0	1989	0.0790	0.9967	0.9966	0.9967
0.0193	118.0	2006	0.0784	0.9967	0.9966	0.9967
0.0189	119.0	2023	0.0779	0.9967	0.9966	0.9967
0.0189	120.0	2040	0.0772	0.9967	0.9966	0.9967
0.0176	121.0	2057	0.0765	0.9967	0.9966	0.9967
0.0184	122.0	2074	0.0761	0.9967	0.9966	0.9967
0.0169	123.0	2091	0.0754	0.9967	0.9966	0.9967
0.0177	124.0	2108	0.0746	0.9967	0.9966	0.9967
0.0173	125.0	2125	0.0739	0.9967	0.9966	0.9967
0.0173	126.0	2142	0.0737	0.9967	0.9966	0.9967
0.016	127.0	2159	0.0729	0.9967	0.9966	0.9967
0.0167	128.0	2176	0.0724	0.9967	0.9966	0.9967
0.0164	129.0	2193	0.0714	0.9967	0.9966	0.9967
0.0158	130.0	2210	0.0711	0.9967	0.9966	0.9967
0.016	131.0	2227	0.0706	0.9967	0.9966	0.9967
0.0159	132.0	2244	0.0701	0.9967	0.9966	0.9967
0.0154	133.0	2261	0.0697	0.9967	0.9966	0.9967
0.0149	134.0	2278	0.0694	0.9967	0.9966	0.9967
0.0149	135.0	2295	0.0685	0.9967	0.9966	0.9967
0.0148	136.0	2312	0.0681	0.9967	0.9966	0.9967
0.0146	137.0	2329	0.0677	0.9967	0.9966	0.9967
0.0147	138.0	2346	0.0671	0.9967	0.9966	0.9967
0.0147	139.0	2363	0.0667	0.9967	0.9966	0.9967
0.0143	140.0	2380	0.0662	0.9967	0.9966	0.9967
0.0137	141.0	2397	0.0660	0.9967	0.9966	0.9967
0.0138	142.0	2414	0.0656	0.9967	0.9966	0.9967
0.0142	143.0	2431	0.0649	0.9967	0.9966	0.9967
0.0137	144.0	2448	0.0645	0.9967	0.9966	0.9967
0.0137	145.0	2465	0.0641	0.9967	0.9966	0.9967
0.0134	146.0	2482	0.0636	0.9967	0.9966	0.9967
0.014	147.0	2499	0.0632	0.9967	0.9966	0.9967
0.0132	148.0	2516	0.0632	0.9967	0.9966	0.9967
0.0135	149.0	2533	0.0627	0.9967	0.9966	0.9967
0.0128	150.0	2550	0.0624	0.9967	0.9966	0.9967
0.0123	151.0	2567	0.0619	0.9967	0.9966	0.9967
0.0124	152.0	2584	0.0615	0.9967	0.9966	0.9967
0.0127	153.0	2601	0.0609	0.9967	0.9966	0.9967
0.0127	154.0	2618	0.0607	0.9967	0.9966	0.9967
0.0124	155.0	2635	0.0607	0.9967	0.9966	0.9967
0.0121	156.0	2652	0.0601	0.9967	0.9966	0.9967
0.0118	157.0	2669	0.0599	0.9967	0.9966	0.9967
0.0123	158.0	2686	0.0596	0.9967	0.9966	0.9967
0.0118	159.0	2703	0.0590	0.9967	0.9966	0.9967
0.0116	160.0	2720	0.0589	0.9967	0.9966	0.9967
0.0112	161.0	2737	0.0586	0.9967	0.9966	0.9967
0.0113	162.0	2754	0.0582	0.9967	0.9966	0.9967
0.0116	163.0	2771	0.0579	0.9967	0.9966	0.9967
0.011	164.0	2788	0.0576	0.9967	0.9966	0.9967
0.0114	165.0	2805	0.0575	0.9967	0.9966	0.9967
0.0109	166.0	2822	0.0572	0.9967	0.9966	0.9967
0.0102	167.0	2839	0.0569	0.9967	0.9966	0.9967
0.0106	168.0	2856	0.0568	0.9967	0.9966	0.9967
0.0103	169.0	2873	0.0564	0.9967	0.9966	0.9967
0.0105	170.0	2890	0.0561	0.9967	0.9966	0.9967
0.0106	171.0	2907	0.0560	0.9967	0.9966	0.9967
0.01	172.0	2924	0.0556	0.9967	0.9966	0.9967
0.0098	173.0	2941	0.0554	0.9967	0.9966	0.9967
0.0098	174.0	2958	0.0550	0.9967	0.9966	0.9967
0.0107	175.0	2975	0.0549	0.9967	0.9966	0.9967
0.0103	176.0	2992	0.0546	0.9967	0.9966	0.9967
0.0104	177.0	3009	0.0544	0.9967	0.9966	0.9967
0.0096	178.0	3026	0.0542	0.9967	0.9966	0.9967
0.0102	179.0	3043	0.0540	0.9967	0.9966	0.9967
0.0097	180.0	3060	0.0538	0.9967	0.9966	0.9967
0.0096	181.0	3077	0.0535	0.9967	0.9966	0.9967
0.0093	182.0	3094	0.0536	0.9967	0.9966	0.9967
0.0097	183.0	3111	0.0531	0.9967	0.9966	0.9967
0.0093	184.0	3128	0.0529	0.9967	0.9966	0.9967
0.0097	185.0	3145	0.0526	0.9967	0.9966	0.9967
0.0094	186.0	3162	0.0527	0.9967	0.9966	0.9967
0.0095	187.0	3179	0.0524	0.9967	0.9966	0.9967
0.0093	188.0	3196	0.0522	0.9967	0.9966	0.9967
0.0089	189.0	3213	0.0520	0.9967	0.9966	0.9967
0.0091	190.0	3230	0.0520	0.9967	0.9966	0.9967
0.0091	191.0	3247	0.0516	0.9967	0.9966	0.9967
0.009	192.0	3264	0.0515	0.9967	0.9966	0.9967
0.009	193.0	3281	0.0514	0.9967	0.9966	0.9967
0.0091	194.0	3298	0.0512	0.9967	0.9966	0.9967
0.009	195.0	3315	0.0509	0.9967	0.9966	0.9967
0.0087	196.0	3332	0.0510	0.9967	0.9966	0.9967
0.009	197.0	3349	0.0507	0.9967	0.9966	0.9967
0.0087	198.0	3366	0.0506	0.9967	0.9966	0.9967
0.0084	199.0	3383	0.0505	0.9967	0.9966	0.9967
0.009	200.0	3400	0.0503	0.9967	0.9966	0.9967
0.0087	201.0	3417	0.0501	0.9967	0.9966	0.9967
0.0088	202.0	3434	0.0500	0.9967	0.9966	0.9967
0.0086	203.0	3451	0.0500	0.9967	0.9966	0.9967
0.0085	204.0	3468	0.0497	0.9967	0.9966	0.9967
0.009	205.0	3485	0.0496	0.9967	0.9966	0.9967
0.0082	206.0	3502	0.0495	0.9967	0.9966	0.9967
0.008	207.0	3519	0.0494	0.9967	0.9966	0.9967
0.0082	208.0	3536	0.0493	0.9967	0.9966	0.9967
0.0078	209.0	3553	0.0491	0.9967	0.9966	0.9967
0.0082	210.0	3570	0.0490	0.9967	0.9966	0.9967
0.0082	211.0	3587	0.0489	0.9967	0.9966	0.9967
0.0085	212.0	3604	0.0488	0.9967	0.9966	0.9967
0.0087	213.0	3621	0.0487	0.9967	0.9966	0.9967
0.0079	214.0	3638	0.0485	0.9967	0.9966	0.9967
0.0078	215.0	3655	0.0484	0.9967	0.9966	0.9967
0.0078	216.0	3672	0.0484	0.9967	0.9966	0.9967
0.0082	217.0	3689	0.0483	0.9967	0.9966	0.9967
0.0085	218.0	3706	0.0482	0.9967	0.9966	0.9967
0.0079	219.0	3723	0.0480	0.9967	0.9966	0.9967
0.0079	220.0	3740	0.0480	0.9967	0.9966	0.9967
0.0076	221.0	3757	0.0479	0.9967	0.9966	0.9967
0.008	222.0	3774	0.0478	0.9967	0.9966	0.9967
0.0078	223.0	3791	0.0477	0.9967	0.9966	0.9967
0.0078	224.0	3808	0.0476	0.9967	0.9966	0.9967
0.0078	225.0	3825	0.0476	0.9967	0.9966	0.9967
0.0077	226.0	3842	0.0475	0.9967	0.9966	0.9967
0.0075	227.0	3859	0.0475	0.9967	0.9966	0.9967
0.0075	228.0	3876	0.0474	0.9967	0.9966	0.9967
0.0076	229.0	3893	0.0473	0.9967	0.9966	0.9967
0.0077	230.0	3910	0.0472	0.9967	0.9966	0.9967
0.0076	231.0	3927	0.0472	0.9967	0.9966	0.9967
0.0074	232.0	3944	0.0471	0.9967	0.9966	0.9967
0.0076	233.0	3961	0.0471	0.9967	0.9966	0.9967
0.0074	234.0	3978	0.0470	0.9967	0.9966	0.9967
0.0077	235.0	3995	0.0470	0.9967	0.9966	0.9967
0.0074	236.0	4012	0.0469	0.9967	0.9966	0.9967
0.0075	237.0	4029	0.0469	0.9967	0.9966	0.9967
0.0072	238.0	4046	0.0469	0.9967	0.9966	0.9967
0.0075	239.0	4063	0.0468	0.9967	0.9966	0.9967
0.0078	240.0	4080	0.0468	0.9967	0.9966	0.9967
0.0075	241.0	4097	0.0468	0.9967	0.9966	0.9967
0.0073	242.0	4114	0.0468	0.9967	0.9966	0.9967
0.0073	243.0	4131	0.0467	0.9967	0.9966	0.9967
0.0068	244.0	4148	0.0467	0.9967	0.9966	0.9967
0.0072	245.0	4165	0.0467	0.9967	0.9966	0.9967
0.0073	246.0	4182	0.0467	0.9967	0.9966	0.9967
0.0077	247.0	4199	0.0467	0.9967	0.9966	0.9967
0.0074	248.0	4216	0.0466	0.9967	0.9966	0.9967
0.0073	249.0	4233	0.0466	0.9967	0.9966	0.9967
0.0074	250.0	4250	0.0466	0.9967	0.9966	0.9967

Framework versions

Transformers 4.34.1
Pytorch 2.1.0+cu121
Datasets 2.14.6
Tokenizers 0.14.1

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: ea01ca0