Характеристики

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

Ссылки

Hugging Face

exper_batch_8_e8

sudo-s

Классификация изображенийИзображение → label3 профессии

Дообученный ViT-Base для классификации изображений из набора sudo-s/herbier_mesuem1.

17скачиваний 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_8_e8 — модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16 и размером около 113,2 млн параметров. Она дообучена на наборе данных sudo-s/herbier_mesuem1; разработчик сообщает точность 0,9052 и значение функции потерь 0,4608 на оценочной выборке.

Модель предназначена для классификации изображений в соответствии с категориями обучающего набора и может использоваться для автоматической сортировки похожих изображений. Опубликована в формате PyTorch по лицензии Apache-2.0. Подробности о классах, ограничениях и условиях оценки в карточке не раскрыты.

Сценарии применения

классификация изображений из набора herbier_mesuem1
автоматическая сортировка изображений по классам обучающего набора
оценка изображений с помощью ViT

Ограничения

Карточка не раскрывает названия классов и ограничения применения; заявленная точность относится к оценочной выборке и не гарантирует качество на других данных.

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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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_8_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: 0.4608
Accuracy: 0.9052

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: 8
mixed_precision_training: Apex, opt level O1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
4.2202	0.08	100	4.1245	0.1237
3.467	0.16	200	3.5622	0.2143
3.3469	0.23	300	3.1688	0.2675
2.8086	0.31	400	2.8965	0.3034
2.6291	0.39	500	2.5858	0.4025
2.2382	0.47	600	2.2908	0.4133
1.9259	0.55	700	2.2007	0.4676
1.8088	0.63	800	2.0419	0.4742
1.9462	0.7	900	1.6793	0.5578
1.5392	0.78	1000	1.5460	0.6079
1.561	0.86	1100	1.5793	0.5690
1.2135	0.94	1200	1.4663	0.5929
1.0725	1.02	1300	1.2974	0.6534
0.8696	1.1	1400	1.2406	0.6569
0.8758	1.17	1500	1.2127	0.6623
1.1737	1.25	1600	1.2243	0.6550
0.8242	1.33	1700	1.1371	0.6735
1.0141	1.41	1800	1.0536	0.7024
0.9855	1.49	1900	0.9885	0.7205
0.805	1.57	2000	0.9048	0.7479
0.7207	1.64	2100	0.8842	0.7490
0.7101	1.72	2200	0.8954	0.7436
0.5946	1.8	2300	0.9174	0.7386
0.6937	1.88	2400	0.7818	0.7760
0.5593	1.96	2500	0.7449	0.7934
0.4139	2.04	2600	0.7787	0.7830
0.2929	2.11	2700	0.7122	0.7945
0.4159	2.19	2800	0.7446	0.7907
0.4079	2.27	2900	0.7354	0.7938
0.516	2.35	3000	0.7499	0.8007
0.2728	2.43	3100	0.6851	0.8061
0.4159	2.51	3200	0.7258	0.7999
0.3396	2.58	3300	0.7455	0.7972
0.1918	2.66	3400	0.6793	0.8119
0.1228	2.74	3500	0.6696	0.8134
0.2671	2.82	3600	0.6306	0.8285
0.4986	2.9	3700	0.6111	0.8296
0.3699	2.98	3800	0.5600	0.8508
0.0444	3.05	3900	0.6021	0.8331
0.1489	3.13	4000	0.5599	0.8516
0.15	3.21	4100	0.6377	0.8365
0.2535	3.29	4200	0.5752	0.8543
0.2679	3.37	4300	0.5677	0.8608
0.0989	3.45	4400	0.6325	0.8396
0.0825	3.52	4500	0.5979	0.8524
0.0427	3.6	4600	0.5903	0.8516
0.1806	3.68	4700	0.5323	0.8628
0.2672	3.76	4800	0.5688	0.8604
0.2674	3.84	4900	0.5369	0.8635
0.2185	3.92	5000	0.4743	0.8820
0.2195	3.99	5100	0.5340	0.8709
0.0049	4.07	5200	0.5883	0.8608
0.0204	4.15	5300	0.6102	0.8539
0.0652	4.23	5400	0.5659	0.8670
0.028	4.31	5500	0.4916	0.8840
0.0423	4.39	5600	0.5706	0.8736
0.0087	4.46	5700	0.5653	0.8697
0.0964	4.54	5800	0.5423	0.8755
0.0841	4.62	5900	0.5160	0.8743
0.0945	4.7	6000	0.5532	0.8697
0.0311	4.78	6100	0.4947	0.8867
0.0423	4.86	6200	0.5063	0.8843
0.1348	4.93	6300	0.5619	0.8743
0.049	5.01	6400	0.5800	0.8732
0.0053	5.09	6500	0.5499	0.8770
0.0234	5.17	6600	0.5102	0.8874
0.0192	5.25	6700	0.5447	0.8836
0.0029	5.32	6800	0.4787	0.8936
0.0249	5.4	6900	0.5232	0.8870
0.0671	5.48	7000	0.4766	0.8975
0.0056	5.56	7100	0.5136	0.8894
0.003	5.64	7200	0.5085	0.8882
0.0015	5.72	7300	0.4832	0.8971
0.0014	5.79	7400	0.4648	0.8998
0.0065	5.87	7500	0.4739	0.8978
0.0011	5.95	7600	0.5349	0.8867
0.0021	6.03	7700	0.5460	0.8847
0.0012	6.11	7800	0.5309	0.8890
0.0011	6.19	7900	0.4852	0.8998
0.0093	6.26	8000	0.4751	0.8998
0.003	6.34	8100	0.4934	0.8963
0.0027	6.42	8200	0.4882	0.9029
0.0009	6.5	8300	0.4806	0.9021
0.0009	6.58	8400	0.4974	0.9029
0.0009	6.66	8500	0.4748	0.9075
0.0008	6.73	8600	0.4723	0.9094
0.001	6.81	8700	0.4692	0.9098
0.0007	6.89	8800	0.4726	0.9075
0.0011	6.97	8900	0.4686	0.9067
0.0006	7.05	9000	0.4653	0.9056
0.0006	7.13	9100	0.4755	0.9029
0.0007	7.2	9200	0.4633	0.9036
0.0067	7.28	9300	0.4611	0.9036
0.0007	7.36	9400	0.4608	0.9052
0.0007	7.44	9500	0.4623	0.9044
0.0005	7.52	9600	0.4621	0.9056
0.0005	7.6	9700	0.4615	0.9056
0.0005	7.67	9800	0.4612	0.9059
0.0005	7.75	9900	0.4626	0.9075
0.0004	7.83	10000	0.4626	0.9075
0.0005	7.91	10100	0.4626	0.9075
0.0006	7.99	10200	0.4626	0.9079

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: 94f039d