Характеристики

Параметры: 113 млн
Архитектура: clip_vision_model · dense
Базовая модель: clip-vit-base-patch32
Опубликована: 28 апр 2024

Ссылки

clip-vit-base-patch32_gtsrb

ЭмбеддингиТекст → embedding3 профессии

Дообученная CLIP Vision-модель извлекает признаки изображений дорожных знаков для классификации и задач компьютерного зрения.

19 093скачиваний за 30 дней0лайковвеса обновлены28 апр 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Это дообученная модель CLIP ViT-Base с размером патча 32, созданная на базе openai/clip-vit-base-patch32 и обученная на датасете GTSRB. Она предназначена для извлечения признаков изображений дорожных знаков; её можно использовать как основу для классификации знаков и других задач компьютерного зрения, связанных с GTSRB. В README приведён результат оценки: 0,9881 после дообучения против 0,3043 у исходной модели; метрика и условия оценки не уточнены. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

Извлечение признаков изображений дорожных знаков
Классификация дорожных знаков на данных GTSRB
Подготовка визуальных представлений для последующей классификации

Ограничения

Оценка 0,9881 приведена без указания метрики и протокола, поэтому её нельзя напрямую сопоставлять с результатами других моделей. Модель обучена на GTSRB, и её качество на других типах изображений не подтверждено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card

Model Details

Architecture: ViT-Base with patch size 32
Training Data: GTSRB dataset

Training Details

Adam Optimizer with a constant learning rate 1e-5 for 4000 steps training (batch_size=32). Only the vision encoder is fine-tuned.

Evaluation Results

pre-trained: 0.3042911887168884
fine-tuned: 0.9881029725074768

Usage

load vision model

from transformers import CLIPVisionModel

vision_model = CLIPVisionModel.from_pretrained('tanganke/clip-vit-base-patch32_gtsrb')

substitute the vision encoder of clip

from transformers import CLIPModel

clip_model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
clip_model.vision_model.load_state_dict(vision_model.vision_model.state_dict())

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: CLIPVisionModel
Ревизия весов: 7b11ced