Предобученный на ImageNet визуальный энкодер ResNeXt для классификации изображений и использования в сегментационных системах.
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 модели timm-skresnext50_32x4d, размещённые smp-hub и предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Архитектура основана на ResNeXt с группированными свёртками и включает механизм Squeeze-and-Excitation; карточка не сообщает число параметров или размер входа.
Модель подходит для классификации изображений и извлечения визуальных признаков в составе сегментационных систем. Репозиторий содержит веса в формате safetensors; для использования автор README предлагает библиотеку segmentation-models-pytorch. Указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория.
Карточка не описывает метрики качества и не уточняет конкретные условия лицензии, обозначенной как other.
README от автора на Hugging Face, как он его опубликовал
This repository contains the imagenet pre-trained weights for the timm-skresnext50_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("timm-skresnext50_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.