Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 24 июл 2022

Ссылки

Hugging Face

modeversion2_m7_e8

sudo-s

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT для классификации изображений гербарных музейных образцов.

12скачиваний за 30 дней0лайковвеса обновлены24 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

modeversion2_m7_e8 — модель классификации изображений, созданная дообучением ViT-Base с патчами 16×16 и входным разрешением 224 пикселя на наборе sudo-s/herbier_mesuem7. В карточке указаны 113,2 млн параметров и точность 0,9761 на оценочном наборе; метрика относится к этому набору и не гарантирует такое же качество на других изображениях. Модель подходит для классификации изображений гербарных музейных образцов.

Использование ограничено задачей и данными дообучения; подробные сведения о классах и ограничениях в карточке не приведены. Лицензия — Apache-2.0.

Сценарии применения

классификация изображений гербарных образцов
автоматическая сортировка музейных изображений растений
предварительная разметка изображений гербария

Ограничения

Заявленная точность 0,9761 измерена на оценочном наборе; переносимость на другие коллекции и условия съёмки не подтверждена. Карточка не описывает набор классов и подробные ограничения.

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 IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

modeversion2_m7_e8

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: 0.1060
Accuracy: 0.9761

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: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
4.0231	0.06	100	3.8568	0.1883
3.3863	0.12	200	3.2510	0.2596
2.6187	0.18	300	2.6243	0.3882
2.3097	0.23	400	2.2189	0.4527
1.9016	0.29	500	1.9495	0.5244
1.7478	0.35	600	1.6609	0.6091
1.2345	0.41	700	1.4335	0.6426
1.4129	0.47	800	1.3001	0.6752
1.1722	0.53	900	1.2030	0.6785
1.0808	0.59	1000	1.0051	0.7273
0.8814	0.64	1100	1.0715	0.7063
0.9831	0.7	1200	0.9283	0.7334
0.8118	0.76	1300	0.8525	0.7631
0.7203	0.82	1400	0.7849	0.7756
0.8881	0.88	1500	0.8786	0.7487
0.6407	0.94	1600	0.6896	0.8000
0.7574	1.0	1700	0.7314	0.7754
0.6063	1.06	1800	0.6312	0.8068
0.4797	1.11	1900	0.5792	0.8296
0.4973	1.17	2000	0.5846	0.8221
0.4432	1.23	2100	0.7057	0.7905
0.5518	1.29	2200	0.5621	0.8304
0.3256	1.35	2300	0.5890	0.8143
0.4284	1.41	2400	0.5204	0.8485
0.3702	1.47	2500	0.5699	0.8256
0.2858	1.52	2600	0.5815	0.8287
0.3706	1.58	2700	0.4615	0.8571
0.3484	1.64	2800	0.4812	0.8518
0.2865	1.7	2900	0.4285	0.8638
0.4474	1.76	3000	0.5217	0.8377
0.2101	1.82	3100	0.4478	0.8589
0.3545	1.88	3200	0.4444	0.8612
0.2728	1.93	3300	0.4213	0.8645
0.3525	1.99	3400	0.3551	0.8848
0.0936	2.05	3500	0.4074	0.8748
0.2118	2.11	3600	0.4089	0.8812
0.2744	2.17	3700	0.3534	0.8894
0.211	2.23	3800	0.4422	0.8599
0.1684	2.29	3900	0.3705	0.8858
0.1885	2.34	4000	0.3651	0.8862
0.249	2.4	4100	0.4234	0.8687
0.1485	2.46	4200	0.3784	0.8798
0.1188	2.52	4300	0.3589	0.8873
0.1274	2.58	4400	0.3570	0.8917
0.2206	2.64	4500	0.3377	0.8920
0.1287	2.7	4600	0.3170	0.9023
0.1805	2.75	4700	0.3469	0.8934
0.1505	2.81	4800	0.4258	0.8757
0.1592	2.87	4900	0.3415	0.8948
0.1297	2.93	5000	0.3168	0.9028
0.1284	2.99	5100	0.3060	0.9089
0.0833	3.05	5200	0.2610	0.9207
0.0334	3.11	5300	0.2766	0.9197
0.0847	3.17	5400	0.3366	0.9016
0.1112	3.22	5500	0.3098	0.9079
0.0477	3.28	5600	0.3385	0.9041
0.0419	3.34	5700	0.2944	0.9139
0.0827	3.4	5800	0.2715	0.9239
0.0659	3.46	5900	0.2695	0.9230
0.0244	3.52	6000	0.3050	0.9147
0.0883	3.58	6100	0.2862	0.9203
0.0527	3.63	6200	0.2383	0.9319
0.0828	3.69	6300	0.2984	0.9182
0.0678	3.75	6400	0.2135	0.9436
0.0492	3.81	6500	0.2605	0.9296
0.0374	3.87	6600	0.2192	0.9380
0.1846	3.93	6700	0.2804	0.9187
0.0557	3.99	6800	0.2599	0.9253
0.0127	4.04	6900	0.2412	0.9336
0.0203	4.1	7000	0.2214	0.9415
0.0272	4.16	7100	0.2322	0.9356
0.066	4.22	7200	0.2643	0.9325
0.0628	4.28	7300	0.2170	0.9406
0.0108	4.34	7400	0.2388	0.9405
0.026	4.4	7500	0.2533	0.9372
0.0401	4.45	7600	0.2407	0.9358
0.0493	4.51	7700	0.2213	0.9415
0.0951	4.57	7800	0.3016	0.9237
0.0017	4.63	7900	0.2183	0.9448
0.0561	4.69	8000	0.1962	0.9492
0.0063	4.75	8100	0.1868	0.9522
0.0054	4.81	8200	0.2068	0.9459
0.0519	4.87	8300	0.2141	0.9429
0.027	4.92	8400	0.2138	0.9438
0.0034	4.98	8500	0.1774	0.9529
0.0096	5.04	8600	0.1778	0.9512
0.0011	5.1	8700	0.1854	0.9512
0.0195	5.16	8800	0.1914	0.9483
0.0245	5.22	8900	0.2156	0.9471
0.0055	5.28	9000	0.1640	0.9574
0.0166	5.33	9100	0.1770	0.9568
0.0217	5.39	9200	0.2011	0.9479
0.0017	5.45	9300	0.2210	0.9462
0.0161	5.51	9400	0.1510	0.9621
0.0193	5.57	9500	0.1643	0.9586
0.0121	5.63	9600	0.1716	0.9535
0.0146	5.69	9700	0.1720	0.9554
0.0071	5.74	9800	0.1831	0.9541
0.0018	5.8	9900	0.2076	0.9485
0.0007	5.86	10000	0.1636	0.9599
0.0005	5.92	10100	0.1625	0.9602
0.0277	5.98	10200	0.1874	0.9546
0.0005	6.04	10300	0.1790	0.9579
0.0012	6.1	10400	0.1840	0.9544
0.0431	6.15	10500	0.1571	0.9628
0.0332	6.21	10600	0.1599	0.9591
0.0014	6.27	10700	0.1493	0.9632
0.0014	6.33	10800	0.1366	0.9661
0.0006	6.39	10900	0.1582	0.9609
0.0005	6.45	11000	0.1704	0.9589
0.0004	6.51	11100	0.1376	0.9671
0.0755	6.57	11200	0.1375	0.9654
0.0002	6.62	11300	0.1361	0.9661
0.0006	6.68	11400	0.1323	0.9675
0.0009	6.74	11500	0.1239	0.9692
0.0004	6.8	11600	0.1514	0.9631
0.0002	6.86	11700	0.1386	0.9664
0.0004	6.92	11800	0.1368	0.9659
0.0004	6.98	11900	0.1276	0.9684
0.0002	7.03	12000	0.1171	0.9712
0.0002	7.09	12100	0.1142	0.9711
0.0001	7.15	12200	0.1183	0.9727
0.0002	7.21	12300	0.1167	0.9732
0.0002	7.27	12400	0.1143	0.9737
0.0001	7.33	12500	0.1129	0.9737
0.0002	7.39	12600	0.1116	0.9742
0.0002	7.44	12700	0.1126	0.9745
0.0002	7.5	12800	0.1111	0.9748
0.0002	7.56	12900	0.1102	0.9747
0.0001	7.62	13000	0.1094	0.9747
0.0001	7.68	13100	0.1086	0.9742
0.0001	7.74	13200	0.1079	0.9748
0.0002	7.8	13300	0.1062	0.9754
0.0002	7.85	13400	0.1068	0.9757
0.0001	7.91	13500	0.1061	0.9762
0.0001	7.97	13600	0.1060	0.9761

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: ef4c745