Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Опубликована: 30 июн 2022

Ссылки

Hugging Face

new_exper3

sudo-s

Классификация изображенийИзображение → label3 профессии

Дообученный ViT-Base для классификации изображений из набора herbier_mesuem1.

13скачиваний за 30 дней0лайковвеса обновлены30 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

newexper3 — дообученная модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16, разработанная пользователем sudo-s. Модель обучена на наборе данных sudo-s/herbier_mesuem1 и предназначена для классификации изображений; в карточке указана точность 0,9298 и значение функции потерь 0,3000 на оценочной выборке.

Модель содержит 113,2 млн параметров и доступна в формате PyTorch. Лицензия — Apache-2.0. Сведения о классах изображений и ограничениях применения в карточке не приведены.

Сценарии применения

классификация изображений гербария
распознавание категорий на изображениях растений
автоматическая сортировка изображений из herbier_mesuem1

Ограничения

Указанная точность относится к оценочной выборке набора herbier_mesuem1; карточка не описывает состав классов или результаты 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 IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей 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

new_exper3

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: 0.3000
Accuracy: 0.9298

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: 0.0001
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: Apex, opt level O1

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
4.093	0.16	100	4.1045	0.1885
3.5057	0.31	200	3.4448	0.3231
2.9116	0.47	300	2.9483	0.4537
2.561	0.63	400	2.5700	0.5258
2.1611	0.78	500	2.1721	0.6145
1.715	0.94	600	1.8255	0.6407
1.2752	1.1	700	1.5340	0.7051
1.2487	1.25	800	1.3533	0.7201
1.0333	1.41	900	1.1474	0.7826
0.8856	1.56	1000	1.0914	0.7645
0.7512	1.72	1100	0.8893	0.8119
0.747	1.88	1200	0.8370	0.8304
0.5082	2.03	1300	0.7131	0.8566
0.4449	2.19	1400	0.6573	0.8547
0.2912	2.35	1500	0.6184	0.8597
0.285	2.5	1600	0.5974	0.8570
0.2267	2.66	1700	0.5621	0.8647
0.2553	2.82	1800	0.5044	0.8816
0.2029	2.97	1900	0.4342	0.8955
0.1763	3.13	2000	0.4487	0.8905
0.1418	3.29	2100	0.4173	0.9005
0.0563	3.44	2200	0.3870	0.9048
0.0579	3.6	2300	0.3849	0.9036
0.166	3.76	2400	0.3933	0.9025
0.11	3.91	2500	0.3918	0.9056
0.0356	4.07	2600	0.3298	0.9202
0.0513	4.23	2700	0.3371	0.9210
0.0762	4.38	2800	0.3253	0.9225
0.018	4.54	2900	0.3467	0.9148
0.0263	4.69	3000	0.3544	0.9144
0.0205	4.85	3100	0.3340	0.9221
0.0237	5.01	3200	0.3353	0.9144
0.013	5.16	3300	0.3218	0.9229
0.0116	5.32	3400	0.3088	0.9291
0.0119	5.48	3500	0.3047	0.9279
0.0098	5.63	3600	0.3063	0.9283
0.0086	5.79	3700	0.3074	0.9268
0.0081	5.95	3800	0.3220	0.9237
0.0078	6.1	3900	0.3064	0.9268
0.0074	6.26	4000	0.3062	0.9279
0.0068	6.42	4100	0.3051	0.9291
0.006	6.57	4200	0.3000	0.9298
0.0075	6.73	4300	0.3010	0.9310
0.0057	6.89	4400	0.3037	0.9298
0.0058	7.04	4500	0.3071	0.9279
0.0075	7.2	4600	0.3075	0.9283
0.0066	7.36	4700	0.3077	0.9295
0.0056	7.51	4800	0.3084	0.9295
0.0053	7.67	4900	0.3064	0.9310
0.0057	7.82	5000	0.3068	0.9318
0.0055	7.98	5100	0.3068	0.9318

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: 1e38cb4