Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 26 июн 2022

Ссылки

Hugging Face

exper_batch_16_e4

sudo-s

Классификация изображенийИзображение → label3 профессии

Дообученная ViT-модель для классификации изображений из набора sudo-s/herbier_mesuem1.

8скачиваний за 30 дней0лайковвеса обновлены26 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

Модель sudo-s/exper_batch_16_e4 — дообученная sudo-s модель классификации изображений на архитектуре Vision Transformer (ViT). Она создана на базе google/vit-base-patch16-224-in21k и обучена на наборе данных sudo-s/herbier_mesuem1. В карточке указана точность 0,9059 и значение loss 0,3598 на оценочном наборе.

Модель предназначена для отнесения изображений к классам, представленным в обучающих данных. Репозиторий содержит веса PyTorch; размер модели — 113,2 млн параметров. Лицензия — Apache-2.0. Состав классов и ограничения применения в карточке подробно не описаны.

Сценарии применения

классификация изображений из набора herbier_mesuem1
распознавание классов на изображениях, соответствующих обучающим данным
оценка принадлежности изображения к одному из классов модели

Ограничения

Карточка не раскрывает состав классов и ограничения применения; приведённая точность относится только к оценочному набору модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

exper_batch_16_e4

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the sudo-s/herbier_mesuem1 dataset. It achieves the following results on the evaluation set:

Loss: 0.3598
Accuracy: 0.9059

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: 0.0002
train_batch_size: 16
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: Apex, opt level O1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
3.7606	0.16	100	3.7839	0.1989
3.1072	0.31	200	3.0251	0.3285
2.4068	0.47	300	2.4380	0.4719
2.0881	0.63	400	2.0489	0.5412
1.6817	0.78	500	1.7968	0.6025
1.342	0.94	600	1.5044	0.6249
0.9343	1.1	700	1.1881	0.7132
0.9552	1.25	800	1.1064	0.7224
0.7265	1.41	900	0.9189	0.7768
0.6732	1.56	1000	0.9227	0.7606
0.5587	1.72	1100	0.7912	0.7903
0.6332	1.88	1200	0.7606	0.7945
0.3188	2.03	1300	0.6535	0.8288
0.3079	2.19	1400	0.5686	0.8577
0.2518	2.35	1500	0.5517	0.8577
0.2	2.5	1600	0.5277	0.8631
0.2032	2.66	1700	0.4841	0.8701
0.1555	2.82	1800	0.4578	0.8793
0.145	2.97	1900	0.4466	0.8755
0.0985	3.13	2000	0.4249	0.8867
0.0955	3.29	2100	0.3977	0.8932
0.0438	3.44	2200	0.3785	0.9036
0.0589	3.6	2300	0.3717	0.9017
0.0709	3.76	2400	0.3609	0.9052
0.0706	3.91	2500	0.3598	0.9059

Framework versions

Transformers 4.19.4
Pytorch 1.5.1
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: 3ce7d74