/ Модель
Каталог

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Библиотека
transformers
Опубликована
13 июл 2024

Ссылки

Hugging FacearXiv 1910.09700

electronic-components-model

qipchip31
Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации изображений электронных компонентов.

22скачиваний за 30 дней10лайковвеса обновлены13 июл 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 electronic-components-model разработана Chirag Pradhan и представляет собой Vision Transformer (ViT), дообученный на наборе данных электронных компонентов. Она классифицирует изображения резисторов, конденсаторов, катушек индуктивности, транзисторов и других компонентов, распознавая их визуальные признаки.

Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и доступна в формате safetensors для библиотеки Transformers. Она предназначена для автоматического распознавания электронных компонентов по изображениям, например при сортировке или инвентаризации. Базовая модель — google/vit-base-patch16-224. Лицензия — Apache License 2.0.

Сценарии применения

  • распознавание резисторов на изображениях
  • классификация конденсаторов по фото
  • определение транзисторов и катушек индуктивности
  • автоматическая сортировка электронных компонентов по изображениям

Ограничения

В карточке не приведены метрики качества, описание обучающих и тестовых данных или сведения о проверке на разных условиях съёмки; точность на новых изображениях не установлена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.7Отраслевые задачиЦепочки поставок, склады, логистика и международная торговляAI помогает планировать сеть поставок, склады, перевозки и международное движение товаров.42 задачи392моделиII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.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

Model Card for Model ID

Model Details

Model Description

The fine-tuned Vision Transformer (ViT) model, initialized from google/vit-base-patch16-224 and named electronic-components-model, is specialized for classifying electronic components such as resistors, capacitors, inductors, and transistors. Initially pretrained on broader datasets, the fine-tuning process adjusts model parameters specifically for this custom dataset. This adaptation enhances the electronic-components-model's ability to accurately identify and classify intricate visual features unique to electronic components, improving its efficacy in practical applications requiring automated component recognition based on visual inputs.

  • Developed by: Chirag Pradhan
  • Funded by [optional]: Fatima Al-Fihri Predoctoral Fellowship
  • Shared by [optional]: Chirag Pradhan
  • Model type: Vision Transformer (ViT) for image classification
  • Language(s) (NLP): Not applicable (Image classification)
  • License: Apache License 2.0
  • Finetuned from model [optional]: google/vit-base-patch16-224

Model Sources [optional]

  • Repository: [More Information Needed]
  • Paper [optional]: [More Information Needed]
  • Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

  • Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: [More Information Needed]
  • Hours used: [More Information Needed]
  • Cloud Provider: [More Information Needed]
  • Compute Region: [More Information Needed]
  • Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

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
3da2f1c

0 моделей

    Создать бенчмарк