Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 23 июл 2022

Ссылки

Hugging Face

modeversion1_m7_e4

sudo-s

Классификация изображенийИзображение → label3 профессии

Дообученный Vision Transformer для классификации изображений на классах набора sudo-s/herbier_mesuem7.

9скачиваний за 30 дней0лайковвеса обновлены23 июл 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

modeversion1m7e4 — дообученная модель классификации изображений на архитектуре Vision Transformer (ViT). Она создана на основе google/vit-base-patch16-224-in21k и обучена на наборе данных sudo-s/herbier_mesuem7. Модель предназначена для отнесения изображений к классам; на оценочном наборе указаны loss 0,0902 и accuracy 0,9731.

Модель содержит 113,2 млн параметров и опубликована в формате PyTorch. README не раскрывает назначение классов и сценарии применения набора данных, поэтому область изображений, для которой модель специализирована, определить нельзя. Лицензия — Apache-2.0.

Сценарии применения

Классификация изображений по классам обучающего набора
Автоматическая категоризация изображений в экспериментальном проекте
Оценка изображений с помощью модели ViT

Ограничения

Назначение и перечень классов в карточке не описаны, поэтому применимость к конкретным типам изображений неясна. Показатели качества приведены только для оценочного набора; сведений о переносе на другие данные нет.

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

modeversion1_m7_e4

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the sudo-s/herbier_mesuem7 dataset. It achieves the following results on the evaluation set:

Loss: 0.0902
Accuracy: 0.9731

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: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
4.073	0.06	100	3.9370	0.1768
3.4186	0.12	200	3.2721	0.2590
2.6745	0.18	300	2.6465	0.3856
2.2806	0.23	400	2.2600	0.4523
1.9275	0.29	500	1.9653	0.5109
1.6958	0.35	600	1.6815	0.6078
1.2797	0.41	700	1.4514	0.6419
1.3772	0.47	800	1.3212	0.6762
1.1765	0.53	900	1.1476	0.7028
1.0152	0.59	1000	1.0357	0.7313
0.7861	0.64	1100	1.0230	0.7184
1.0262	0.7	1200	0.9469	0.7386
0.8905	0.76	1300	0.8184	0.7756
0.6919	0.82	1400	0.8083	0.7711
0.7494	0.88	1500	0.7601	0.7825
0.5078	0.94	1600	0.6884	0.8056
0.7134	1.0	1700	0.6311	0.8160
0.4328	1.06	1800	0.5740	0.8252
0.4971	1.11	1900	0.5856	0.8290
0.5207	1.17	2000	0.6219	0.8167
0.4027	1.23	2100	0.5703	0.8266
0.5605	1.29	2200	0.5217	0.8372
0.2723	1.35	2300	0.4805	0.8565
0.401	1.41	2400	0.4811	0.8490
0.3419	1.47	2500	0.4619	0.8608
0.301	1.52	2600	0.4318	0.8712
0.2872	1.58	2700	0.4698	0.8573
0.2451	1.64	2800	0.4210	0.8729
0.2211	1.7	2900	0.3645	0.8851
0.3145	1.76	3000	0.4139	0.8715
0.2001	1.82	3100	0.3605	0.8864
0.3095	1.88	3200	0.4274	0.8675
0.1915	1.93	3300	0.2910	0.9101
0.2465	1.99	3400	0.2726	0.9103
0.1218	2.05	3500	0.2742	0.9129
0.0752	2.11	3600	0.2572	0.9183
0.1067	2.17	3700	0.2584	0.9203
0.0838	2.23	3800	0.2458	0.9212
0.1106	2.29	3900	0.2412	0.9237
0.092	2.34	4000	0.2232	0.9277
0.1056	2.4	4100	0.2817	0.9077
0.0696	2.46	4200	0.2334	0.9285
0.0444	2.52	4300	0.2142	0.9363
0.1046	2.58	4400	0.2036	0.9352
0.066	2.64	4500	0.2115	0.9365
0.0649	2.7	4600	0.1730	0.9448
0.0513	2.75	4700	0.2148	0.9339
0.0917	2.81	4800	0.1810	0.9438
0.0879	2.87	4900	0.1971	0.9388
0.1052	2.93	5000	0.1602	0.9508
0.0362	2.99	5100	0.1475	0.9556
0.041	3.05	5200	0.1328	0.9585
0.0156	3.11	5300	0.1389	0.9571
0.0047	3.17	5400	0.1224	0.9638
0.0174	3.22	5500	0.1193	0.9651
0.0087	3.28	5600	0.1276	0.9622
0.0084	3.34	5700	0.1134	0.9662
0.0141	3.4	5800	0.1239	0.9631
0.0291	3.46	5900	0.1199	0.9645
0.0049	3.52	6000	0.1103	0.9679
0.0055	3.58	6100	0.1120	0.9662
0.0061	3.63	6200	0.1071	0.9668
0.0054	3.69	6300	0.1032	0.9697
0.0041	3.75	6400	0.0961	0.9711
0.0018	3.81	6500	0.0930	0.9718
0.0032	3.87	6600	0.0918	0.9730
0.0048	3.93	6700	0.0906	0.9732
0.002	3.99	6800	0.0902	0.9731

Framework versions

Transformers 4.20.1
Pytorch 1.12.0
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: eacd70d