/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Опубликована
18 июн 2024

UL_exterior_classification

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer для классификации изображений внешнего вида по классам.

1 455скачиваний за 30 дней1лайквеса обновлены18 июн 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

UL_exterior_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 Google на наборе данных imagefolder. Она предназначена для отнесения изображений к классам внешнего вида, однако карточка не раскрывает состав классов и подробные сценарии применения. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors.

На оценочном наборе указаны точность 0,6897 и функция потерь 0,6992. Эти результаты характеризуют только приведённую оценку и не гарантируют качество на других данных. Модель выпущена по лицензии Apache-2.0.

Сценарии применения

  • классификация изображений экстерьера по категориям
  • автоматическая сортировка изображений внешнего вида объектов
  • экспериментальная оценка ViT для классификации изображений

Ограничения

Состав классов и подробности обучающего набора в карточке не описаны. Указанная точность 0,6897 получена на оценочном наборе модели и не подтверждает качество на других данных.

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

UL_exterior_classification

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

  • Loss: 0.6992
  • Accuracy: 0.6897

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: 32
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 7

Training results

Training LossEpochStepValidation LossAccuracy
No log0.821.27080.2184
No log2.050.89310.5977
No log2.870.79730.6437
0.98884.0100.69920.6897
0.98884.8120.66870.6897
0.98885.6140.65660.6897

Framework versions

  • Transformers 4.41.2
  • Pytorch 2.3.0+cu121
  • Datasets 2.20.0
  • Tokenizers 0.19.1

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
3aced7b

0 моделей