Предобученный на ImageNet энкодер SE-ResNeXt-101 32×4d для классификации изображений и использования в системах компьютерного зрения.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Это предобученные на ImageNet веса архитектуры SE-ResNeXt-101 32×4d для классификации изображений. Репозиторий предоставляет веса энкодера, используемого в библиотеке segmentation-models-pytorch, и ориентирован на разработчиков компьютерного зрения, которым нужна готовая визуальная основа для классификационных или сегментационных систем.
Модель принимает изображения и выдаёт результаты классификации. Эти веса также можно использовать как энкодер в моделях сегментации через segmentation-models-pytorch. Карточка не сообщает размер параметров, список классов, метрики качества или поддерживаемые языки. Лицензия указана как other, поэтому условия использования следует уточнить по файлам репозитория.
Карточка не приводит метрики качества и подробности о классах или обучении. Лицензия обозначена как other; условия использования требуют проверки в репозитории.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This repository contains the imagenet pre-trained weights for the se_resnext101_32x4d model used as
encoder in the segmentation-models-pytorch library.
pip install segmentation-models-pytorch
import segmentation_models_pytorch as smp
model = smp.Unet("se_resnext101_32x4d", encoder_weights="imagenet")
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · segmentation-models-pytorch · image-classification
Архитектура ? неизвестна transformers в образе рантайма.