/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
timm
Опубликована
25 окт 2023

vit_large_patch14_clip_336.datacompxl_ft_augreg_inat21

Классификация изображенийИзображение → label3 профессии

ViT-Large на основе CLIP, дообученная на iNaturalist 2021 для распознавания 10 000 видов по изображениям.

349скачиваний за 30 дней1лайквеса обновлены21 янв 2025

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

Это модель классификации изображений из серии экспериментов timm: ViT-Large с патчами 14×14, CLIP-предобучением и входным разрешением 336 пикселей, дообученная на iNaturalist 2021. Она предназначена для распознавания видов живых организмов по фотографиям: модель различает 10 000 классов видов и может помочь определить растение или животное по снимку, например сделанному во дворе или на природе.

В README указаны результаты на iNaturalist 2021: точность Top-1 91,98% и Top-5 98,03%. Веса доступны в форматах PyTorch и safetensors; для использования предусмотрена библиотека timm. Модель обучалась без дополнительных метаданных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • определение вида растения по фотографии
  • распознавание животных и других организмов на снимках природы
  • классификация фотографий для наблюдений за биоразнообразием
  • поиск наиболее вероятных видов среди 10 000 классов iNaturalist

Ограничения

Модель ограничена набором из 10 000 видов iNaturalist 2021 и может уступать более крупным моделям, доступным на сайте iNaturalist. Коммерческое использование запрещено лицензией CC BY-NC 4.0.

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 vit_large_clip_336.datacompxl_ft_augreg_inat21

Part of a series of timm fine-tune experiments on iNaturalist 2021 competition data (https://github.com/visipedia/inat_comp/tree/master/2021) for higher capacity models.

Covering 10,000 species, this dataset and these models are fun to explore via the classification widget with pictures from your backyard, but quite a bit smaller than models you can find on iNaturalist website (https://www.inaturalist.org/blog/75633-a-new-computer-vision-model-v2-1-including-1-770-new-taxa).

No extra meta-data was used for training these models (as was the case for the competition), it was a straightfoward fine-tune to explore differences in model pretrain data.

ModelTop-1Top-5Img Size (Train)Paper
eva02_large_patch14_clip_336.merged2b_ft_inat2192.0598.01336https://arxiv.org/abs/2303.11331
vit_large_patch14_clip_336.datacompxl_ft_augreg_inat2191.9898.03336https://arxiv.org/abs/2304.14108
vit_large_patch14_clip_336.laion2b_ft_augreg_inat2191.4897.89336https://arxiv.org/abs/2212.07143
convnext_large_mlp.laion2b_ft_augreg_inat2190.9597.68448 (384)
vit_large_patch14_clip_336.datacompxl_ft_inat2190.8597.68336https://arxiv.org/abs/2304.14108
convnext_large_mlp.laion2b_ft_augreg_inat2190.6297.61384
vit_large_patch14_clip_336.laion2b_ft_in12k_in1k_inat2190.2997.44336https://arxiv.org/abs/2212.07143

Fine-tune hparams

./distributed_train.sh 4 --data-dir /tfds/ --dataset tfds/i_naturalist2021 --amp -j 8 --model vit_large_patch14_clip_224.datacompxl --img-size 336 --model-kwargs img_size=336  --val-split val --opt adamw --opt-eps 1e-6 --weight-decay .01 --lr 5e-5 -
-warmup-lr 0 --sched-on-updates --clip-grad 1.0 --pretrained -b 48 --num-classes 10000 --grad-accum-steps 8 --layer-decay 0.85 --reprob 0.3 --drop-path 0.1

Run Validation

python validate.py /tfds/ --dataset tfds/i_naturalist2021 --model hf-hub:timm/vit_large_patch14_clip_336.datacompxl_ft_augreg_inat21 --split val --amp

Citation

@inproceedings{cherti2023reproducible,
  title={Reproducible scaling laws for contrastive language-image learning},
  author={Cherti, Mehdi and Beaumont, Romain and Wightman, Ross and Wortsman, Mitchell and Ilharco, Gabriel and Gordon, Cade and Schuhmann, Christoph and Schmidt, Ludwig and Jitsev, Jenia},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={2818--2829},
  year={2023}
}
@article{datacomp,
  title={DataComp: In search of the next generation of multimodal datasets},
  author={Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt},
  journal={arXiv preprint arXiv:2304.14108},
  year={2023}
}

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
f6c5efb

0 моделей