Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 16 авг 2024

Ссылки

Hugging Face

cifar100-vit-base-patch16-224-in21k

pkr7098

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer для классификации изображений по 100 категориям CIFAR-100.

454скачиваний за 30 дней1лайквеса обновлены16 авг 2024

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 pkr7098/cifar100-vit-base-patch16-224-in21k — дообученная на датасете CIFAR-100 модель Vision Transformer, разработанная на основе google/vit-base-patch16-224-in21k. Она предназначена для классификации изображений по 100 категориям CIFAR-100. Архитектура ViT использует патчи 16×16 при входном разрешении 224×224 пикселя; модель содержит 113,2 млн параметров и распространяется в формате safetensors.

На оценочной выборке CIFAR-100 указаны точность 0,926 и loss 0,2945. Модель подходит для экспериментов и классификации изображений, близких к распределению CIFAR-100; качество на других наборах данных не подтверждено. Лицензия — Apache-2.0.

Сценарии применения

Классификация изображений из CIFAR-100
Распознавание объектов на небольших изображениях из 100 категорий
Оценка качества классификатора на CIFAR-100
Эксперименты с дообучением ViT для классификации изображений

Ограничения

Заявленные метрики относятся к оценочной выборке CIFAR-100; качество на других наборах данных не приведено. Модель предназначена для классификации изображений и не описана как универсальный классификатор.

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 II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели 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

cifar100-vit-base-patch16-224-in21k

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the cifar100 dataset. It achieves the following results on the evaluation set:

Loss: 0.2945
Accuracy: 0.926

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: 8
eval_batch_size: 8
seed: 1337
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.3866	1.0	5313	1.0968	0.8747
0.6479	2.0	10626	0.4377	0.9004
0.6092	3.0	15939	0.3439	0.9081
0.4173	4.0	21252	0.3205	0.9169
0.4665	5.0	26565	0.3039	0.9175
0.3944	6.0	31878	0.3082	0.9201
0.303	7.0	37191	0.3011	0.9241
0.6128	8.0	42504	0.2983	0.9261
0.3794	9.0	47817	0.2945	0.926
0.3274	10.0	53130	0.3032	0.9269

Framework versions

Transformers 4.38.0
Pytorch 2.1.2+cu118
Datasets 2.19.1
Tokenizers 0.15.2

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: aa70da1