Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 18 июн 2022

Ссылки

Hugging Face

vit-base-mri

raedinkhaled

Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации МРТ-изображений.

15скачиваний за 30 дней5лайковвеса обновлены18 июн 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

raedinkhaled/vit-base-mri — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на наборе mriDataSet на основе google/vit-base-patch16-224-in21k. Она предназначена для классификации МРТ-изображений. В карточке указана точность 0,9827 на тестовой выборке и значение loss 0,0453; состав выборки и методика оценки не описаны. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

классификация МРТ-изображений по категориям обучающего набора
экспериментальная оценка классификации медицинских снимков

Ограничения

Карточка не сообщает категории классификации, состав обучающих и тестовых данных или методику оценки, поэтому приведённую точность нельзя переносить на другие наборы снимков. Модель предназначена для классификации изображений и не описана как средство клинической диагностики.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vit-base-mri

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

Loss: 0.0453
Accuracy: 0.9827

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: 3e-05
train_batch_size: 32
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.04	0.3	500	0.0828	0.9690
0.0765	0.59	1000	0.0623	0.9750
0.0479	0.89	1500	0.0453	0.9827
0.0199	1.18	2000	0.0524	0.9857
0.0114	1.48	2500	0.0484	0.9861
0.008	1.78	3000	0.0566	0.9852
0.0051	2.07	3500	0.0513	0.9874
0.0008	2.37	4000	0.0617	0.9874
0.0021	2.66	4500	0.0664	0.9870
0.0005	2.96	5000	0.0639	0.9872
0.001	3.25	5500	0.0644	0.9879
0.0004	3.55	6000	0.0672	0.9875
0.0003	3.85	6500	0.0690	0.9879

Framework versions

Transformers 4.20.0
Pytorch 1.11.0+cu113
Datasets 2.3.2
Tokenizers 0.12.1

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: e2a64e0