/ Модель

Характеристики

Параметры
33 млн
Лицензия
Apache 2.0
Архитектура
swin · dense
Опубликована
11 апр 2023

plant-village

Классификация изображенийИзображение → label3 профессии

Дообученная Swin-Tiny для классификации изображений растений из набора Plant Village.

193скачиваний за 30 дней2лайкавеса обновлены11 апр 2023

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

surgeonwz/plant-village — модель классификации изображений, дообученная на базе Swin-Tiny от Microsoft. Она предназначена для распознавания категорий на изображениях из набора Plant Village. В архитектуре используется Swin Transformer; модель содержит 33 млн параметров и сохранена в формате PyTorch.

На указанной в карточке оценочной выборке модель достигла точности 0,9859 при значении функции потерь 0,0511. Эти результаты относятся только к данной выборке и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация изображений растений из Plant Village
  • распознавание категорий на фотографиях листьев
  • эксперименты с классификацией изображений растений

Ограничения

Показатели качества приведены только для оценочной выборки из карточки; переносимость на другие изображения не подтверждена. Карточка не описывает состав классов и ограничения обучающих данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

plant-village

This model is a fine-tuned version of microsoft/swin-tiny-patch4-window7-224 on the imagefolder dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0511
  • Accuracy: 0.9859

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: 5e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 1

Training results

Training LossEpochStepValidation LossAccuracy
0.11431.03390.05110.9859

Framework versions

  • Transformers 4.27.4
  • Pytorch 2.0.0+cu118
  • Datasets 2.11.0
  • Tokenizers 0.13.3

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
SwinForImageClassification
Ревизия весов
80e6267

0 моделей