Характеристики

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

Ссылки

Hugging Face

exper_batch_16_e8

sudo-s

Классификация изображенийИзображение → label3 профессии

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

12скачиваний 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

sudo-s/exper_batch_16_e8 — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k на наборе данных sudo-s/herbier_mesuem1. Веса представлены в формате PyTorch; размер модели — 113,2 млн параметров. Модель предназначена для классификации изображений, связанных с набором данных, на котором она обучалась.

В README указаны результаты на оценочной выборке: accuracy 0,9129 и loss 0,3951. Лицензия — Apache-2.0. Описание классов, условий обучения и ограничений в карточке не раскрыто, поэтому результаты нельзя переносить на другие наборы изображений без отдельной проверки.

Сценарии применения

классификация изображений гербарных образцов
автоматическая категоризация изображений из набора sudo-s/herbier_mesuem1
оценка класса изображения в системе компьютерного зрения

Ограничения

В карточке не указаны классы, детали обучающей выборки и дополнительные ограничения; заявленная точность относится только к оценочной выборке. Переносимость на изображения вне обучающего набора не установлена.

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_e8

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: 0.3951
Accuracy: 0.9129

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: 8
mixed_precision_training: Apex, opt level O1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
3.8115	0.16	100	3.7948	0.1862
3.1194	0.31	200	3.0120	0.3281
2.3703	0.47	300	2.4791	0.4426
2.07	0.63	400	2.1720	0.5
1.6847	0.78	500	1.7291	0.5956
1.3821	0.94	600	1.4777	0.6299
0.9498	1.1	700	1.2935	0.6681
0.8741	1.25	800	1.1353	0.7051
0.8875	1.41	900	0.9951	0.7448
0.7233	1.56	1000	0.9265	0.7487
0.6696	1.72	1100	0.8660	0.7625
0.7364	1.88	1200	0.8710	0.7579
0.3933	2.03	1300	0.7162	0.8038
0.3443	2.19	1400	0.6305	0.8300
0.3376	2.35	1500	0.6273	0.8315
0.3071	2.5	1600	0.5988	0.8319
0.2863	2.66	1700	0.6731	0.8153
0.3017	2.82	1800	0.6042	0.8315
0.2382	2.97	1900	0.5118	0.8712
0.1578	3.13	2000	0.4917	0.8736
0.1794	3.29	2100	0.5302	0.8631
0.1093	3.44	2200	0.5035	0.8635
0.1076	3.6	2300	0.5186	0.8674
0.1219	3.76	2400	0.4723	0.8801
0.1017	3.91	2500	0.5132	0.8712
0.0351	4.07	2600	0.4709	0.8728
0.0295	4.23	2700	0.4674	0.8824
0.0416	4.38	2800	0.4836	0.8805
0.0386	4.54	2900	0.4663	0.8828
0.0392	4.69	3000	0.4003	0.8990
0.0383	4.85	3100	0.4187	0.8948
0.0624	5.01	3200	0.4460	0.8874
0.0188	5.16	3300	0.4169	0.9029
0.0174	5.32	3400	0.4098	0.8951
0.0257	5.48	3500	0.4289	0.8951
0.0123	5.63	3600	0.4295	0.9029
0.0052	5.79	3700	0.4395	0.8994
0.0081	5.95	3800	0.4217	0.9082
0.0032	6.1	3900	0.4216	0.9056
0.0033	6.26	4000	0.4113	0.9082
0.0024	6.42	4100	0.4060	0.9102
0.0022	6.57	4200	0.4067	0.9090
0.0031	6.73	4300	0.4005	0.9113
0.0021	6.89	4400	0.4008	0.9129
0.0021	7.04	4500	0.3967	0.9113
0.0043	7.2	4600	0.3960	0.9121
0.0022	7.36	4700	0.3962	0.9125
0.0021	7.51	4800	0.3992	0.9121
0.002	7.67	4900	0.3951	0.9129
0.0023	7.82	5000	0.3952	0.9125
0.0021	7.98	5100	0.3952	0.9129

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: b855697