/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Опубликована
10 дек 2023

Human-Action-Recognition-VIT-Base-patch16-224

Классификация изображенийИзображение → label3 профессии

Модель ViT классифицирует изображения людей по 15 повседневным действиям.

163скачиваний за 30 дней11лайковвеса обновлены10 дек 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

Модель rvv-karma/Human-Action-Recognition-VIT-Base-patch16-224 разработана на основе google/vit-base-patch16-224 и дообучена для классификации изображений с действиями людей на датасете Bingsu/Human_Action_Recognition. Это Vision Transformer с архитектурой ViTForImageClassification и примерно 113,2 млн параметров: изображение делится на патчи 16×16, а классификатор относит его к одному из 15 классов — звонок, аплодисменты, езда на велосипеде, танцы, питьё, еда, драка, объятия, смех, прослушивание музыки, бег, сидение, сон, переписка или работа за ноутбуком.

Модель предназначена для классификации отдельных изображений, а не для распознавания последовательностей действий в видео. В README указаны точность 0,8786 и loss 0,4005 на оценочном наборе; результаты на других данных могут отличаться. Базовый ViT предварительно обучен на изображениях разрешения 224×224; модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • распознавание действия человека на фотографии
  • определение, бежит ли человек или сидит
  • классификация изображений по сценам драки, объятий или танца
  • определение использования ноутбука или телефона на снимке

Ограничения

Модель классифицирует отдельные изображения по фиксированному набору из 15 классов и не предназначена для распознавания временной последовательности действий в видео. Указанная точность получена на оценочном наборе; качество на других данных может отличаться.

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

Human-Action-Recognition-VIT-Base-patch16-224

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

  • Loss: 0.4005
  • Accuracy: 0.8786

Model description

The Vision Transformer (ViT) is a transformer encoder model (BERT-like) pretrained on a large collection of images in a supervised fashion, namely ImageNet-21k, at a resolution of 224x224 pixels. Next, the model was fine-tuned on ImageNet (also referred to as ILSVRC2012), a dataset comprising 1 million images and 1,000 classes, also at resolution 224x224.

Images are presented to the model as a sequence of fixed-size patches (resolution 16x16), which are linearly embedded. One also adds a [CLS] token to the beginning of a sequence to use it for classification tasks. One also adds absolute position embeddings before feeding the sequence to the layers of the Transformer encoder.

By pre-training the model, it learns an inner representation of images that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled images for instance, you can train a standard classifier by placing a linear layer on top of the pre-trained encoder. One typically places a linear layer on top of the [CLS] token, as the last hidden state of this token can be seen as a representation of an entire image.

Intended uses & limitations

You can use the model for image classification.

How to use

Here is how to use this model to classify an image of the human action into one of the following categories:
calling, clapping, cycling, dancing, drinking, eating, fighting, hugging, laughing, listening_to_music, running, sitting, sleeping, texting, using_laptop

from transformers import pipeline
from PIL import Image
import requests

pipe = pipeline("image-classification", "rvv-karma/Human-Action-Recognition-VIT-Base-patch16-224")
url = "https://images.pexels.com/photos/175658/pexels-photo-175658.jpeg?auto=compress&cs=tinysrgb&dpr=1&w=500"
image = Image.open(requests.get(url, stream=True).raw)
pipe(image)

# Output:
# [{'score': 0.9918079972267151, 'label': 'dancing'},
#  {'score': 0.00207977625541389, 'label': 'clapping'},
#  {'score': 0.0015223610680550337, 'label': 'running'},
#  {'score': 0.0009153694845736027, 'label': 'fighting'},
#  {'score': 0.0006987180095165968, 'label': 'sitting'}]

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: 64
  • eval_batch_size: 64
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 256
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 20

Training results

Training LossEpochStepValidation LossAccuracy
2.63960.99392.04360.4425
1.45792.0790.75530.7917
0.83422.991180.52960.8417
0.66494.01580.49780.8496
0.61374.991970.44600.8595
0.53746.02370.43560.8627
0.5146.992760.43490.8615
0.4758.03160.40050.8786
0.46638.993550.41640.8659
0.417810.03950.41280.8738
0.422610.994340.41150.8690
0.389612.04740.41120.875
0.386612.995130.40720.8714
0.363214.05530.41060.8718
0.359614.995920.40430.8714
0.342116.06320.41280.8675
0.34416.996710.41810.8643
0.344718.07110.41280.8687
0.340718.997500.40970.8714
0.326719.757800.40970.8683

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.0+cu118
  • Datasets 2.15.0
  • Tokenizers 0.15.0

Fine-tuning script

Google Colaboratory Notebook

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
c16647a

0 моделей