/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
13 апр 2023

cait_s36_384.fb_dist_in1k

Классификация изображенийИзображение → label3 профессии

CaiT-S36 — модель классификации изображений, обученная на ImageNet-1k, которую также можно применять как backbone для получения визуальных признаков.

168скачиваний за 30 дней0лайковвеса обновлены21 янв 2025

Бенчмарки

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

Публичные оценки8

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • imagenet

    top5 · выше — лучше

    Результат

    97,48 %

    image-classification 85,458 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    68,01 %

    image-classification 53,52 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    54,213 %

    image-classification 81,253 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    92,92 %

    image-classification 76,01 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    98,431 %

    image-classification 89,829 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    99,6 %

    image-classification 96,64 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    99,53 %

    image-classification 97,35 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    60,469 %

    image-classification 39,767 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CaiT-S36 с входным разрешением 384×384 — модель классификации изображений семейства Class-Attention in Image Transformers. Модель опубликована авторами библиотеки timm под идентификатором timm/cait_s36_384.fb_dist_in1k и предварительно обучена на ImageNet-1k с дистилляцией, выполненной авторами статьи. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаковых представлений. Она содержит около 68,4 млн параметров, требует изображение размером 384×384 и выполняет примерно 48 GMACs на изображение.

Карточка описывает обучение и сценарии инференса для классификации и получения эмбеддингов изображений. Результаты зависят от соответствия входных данных ImageNet-1k и указанному разрешению; сведений о поддержке других типов изображений или специализированных областей карточка не приводит.

Сценарии применения

  • классификация объектов на изображениях
  • определение класса изображения из набора ImageNet-1k
  • извлечение визуальных признаков для последующей обработки
  • получение эмбеддингов изображений

Ограничения

Модель обучена на ImageNet-1k и рассчитана на вход размером 384×384; качество на иных распределениях данных может отличаться. Карточка не описывает специализированную настройку для отдельных предметных областей.

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

Model card for cait_s36_384.fb_dist_in1k

A CaiT (Class-Attention in Image Transformers) image classification model. Pretrained on ImageNet-1k with distillation by paper authors.

Model Details

Model Usage

Image Classification

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('cait_s36_384.fb_dist_in1k', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Image Embeddings

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'cait_s36_384.fb_dist_in1k',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 577, 384) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

Citation

@InProceedings{Touvron_2021_ICCV,
    author    = {Touvron, Hugo and Cord, Matthieu and Sablayrolles, Alexandre and Synnaeve, Gabriel and J'egou, Herv'e},
    title     = {Going Deeper With Image Transformers},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
    month     = {October},
    year      = {2021},
    pages     = {32-42}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-classification

Можно запустить

Подбираем GPU…

Ревизия весов
45a3ae5

0 моделей