Характеристики

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

Ссылки

Hugging Face

exper_batch_32_e8

sudo-s

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT для классификации изображений на классах набора данных 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

sudo-s/exper_batch_32_e8 — модель классификации изображений на архитектуре Vision Transformer (ViT). Она дообучена на наборе данных sudo-s/herbier_mesuem1 от google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. На оценочной выборке указана точность 0,9113 и значение loss 0,3520. Модель предназначена для отнесения изображений к классам набора данных, однако конкретные классы и сценарии применения в карточке не описаны. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Сценарии применения

классификация изображений из набора sudo-s/herbier_mesuem1
автоматическая категоризация изображений по классам обучения
оценка изображений на предмет принадлежности к классам модели

Ограничения

Назначение и перечень классов датасета sudo-s/herbier_mesuem1 не описаны, поэтому область применимости за пределами этой выборки неясна. Указанные метрики относятся только к оценочной выборке.

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 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

exper_batch_32_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: 0.3520
Accuracy: 0.9113

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: 32
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
3.3787	0.31	100	3.3100	0.3566
2.3975	0.62	200	2.3196	0.5717
1.5578	0.94	300	1.6764	0.6461
1.0291	1.25	400	1.1713	0.7463
0.8185	1.56	500	0.9292	0.7953
0.6181	1.88	600	0.7732	0.8169
0.3873	2.19	700	0.6877	0.8277
0.2979	2.5	800	0.6250	0.8404
0.2967	2.81	900	0.6151	0.8365
0.1874	3.12	1000	0.5401	0.8608
0.2232	3.44	1100	0.5032	0.8712
0.1109	3.75	1200	0.4635	0.8774
0.0539	4.06	1300	0.4495	0.8843
0.0668	4.38	1400	0.4273	0.8951
0.0567	4.69	1500	0.4427	0.8867
0.0285	5.0	1600	0.4092	0.8955
0.0473	5.31	1700	0.3720	0.9071
0.0225	5.62	1800	0.3691	0.9063
0.0196	5.94	1900	0.3775	0.9048
0.0173	6.25	2000	0.3641	0.9040
0.0092	6.56	2100	0.3551	0.9090
0.008	6.88	2200	0.3591	0.9125
0.0072	7.19	2300	0.3542	0.9121
0.007	7.5	2400	0.3532	0.9106
0.007	7.81	2500	0.3520	0.9113

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: 99091be