Характеристики

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

Ссылки

Hugging Face

exper_batch_8_e4

sudo-s

Классификация изображенийИзображение → label

Дообученная ViT-модель для классификации изображений, обученная на датасете 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

exper_batch_8_e4 — модель классификации изображений, дообученная sudo-s на базе google/vit-base-patch16-224-in21k на датасете sudo-s/herbier_mesuem1. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и предназначена для классификации изображений; метрики на оценочном наборе составили accuracy 0,9183 и loss 0,3353. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не уточняет классы, на которых обучена модель, и ограничения её применения.

Сценарии применения

классификация изображений из датасета herbier_mesuem1
автоматическая категоризация изображений гербарных коллекций

Ограничения

README не описывает классы и ограничения применения модели. Указанные accuracy и loss относятся только к оценочному набору из карточки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

exper_batch_8_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: 0.3353
Accuracy: 0.9183

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: 8
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
4.2251	0.08	100	4.1508	0.1203
3.4942	0.16	200	3.5566	0.2082
3.2871	0.23	300	3.0942	0.3092
2.7273	0.31	400	2.8338	0.3308
2.4984	0.39	500	2.4860	0.4341
2.3423	0.47	600	2.2201	0.4796
1.8785	0.55	700	2.1890	0.4653
1.8012	0.63	800	1.9901	0.4865
1.7236	0.7	900	1.6821	0.5736
1.4949	0.78	1000	1.5422	0.6083
1.5573	0.86	1100	1.5436	0.6110
1.3241	0.94	1200	1.4077	0.6207
1.0773	1.02	1300	1.1417	0.6916
0.7935	1.1	1400	1.1194	0.6931
0.7677	1.17	1500	1.0727	0.7167
0.9468	1.25	1600	1.0707	0.7136
0.7563	1.33	1700	0.9427	0.7390
0.8471	1.41	1800	0.8906	0.7571
0.9998	1.49	1900	0.8098	0.7845
0.6039	1.57	2000	0.7244	0.8034
0.7052	1.64	2100	0.7881	0.7953
0.6753	1.72	2200	0.7458	0.7926
0.3758	1.8	2300	0.6987	0.8022
0.4985	1.88	2400	0.6286	0.8265
0.4122	1.96	2500	0.5949	0.8358
0.1286	2.04	2600	0.5691	0.8385
0.1989	2.11	2700	0.5535	0.8389
0.3304	2.19	2800	0.5261	0.8520
0.3415	2.27	2900	0.5504	0.8477
0.4066	2.35	3000	0.5418	0.8497
0.1208	2.43	3100	0.5156	0.8612
0.1668	2.51	3200	0.5655	0.8539
0.0727	2.58	3300	0.4971	0.8658
0.0929	2.66	3400	0.4962	0.8635
0.0678	2.74	3500	0.4903	0.8670
0.1212	2.82	3600	0.4357	0.8867
0.1579	2.9	3700	0.4642	0.8739
0.2625	2.98	3800	0.3994	0.8951
0.024	3.05	3900	0.3953	0.8971
0.0696	3.13	4000	0.3883	0.9056
0.0169	3.21	4100	0.3755	0.9086
0.023	3.29	4200	0.3685	0.9109
0.0337	3.37	4300	0.3623	0.9109
0.0123	3.45	4400	0.3647	0.9067
0.0159	3.52	4500	0.3630	0.9082
0.0154	3.6	4600	0.3522	0.9094
0.0112	3.68	4700	0.3439	0.9163
0.0219	3.76	4800	0.3404	0.9194
0.0183	3.84	4900	0.3371	0.9183
0.0103	3.92	5000	0.3362	0.9183
0.0357	3.99	5100	0.3353	0.9183

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: 5364fbc