Характеристики

Параметры: 403 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-large-patch16-224-in21k
Опубликована: 31 авг 2023

Ссылки

Hugging Face

fashion-images-gender-age-vit-large-patch16-224-in21k-v2

touchtech

Классификация изображенийИзображение → label3 профессии

Дообученная на модных изображениях модель ViT классифицирует изображения по категориям пола и возраста.

19скачиваний за 30 дней10лайковвеса обновлены31 авг 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

Модель touchtech/fashion-images-gender-age-vit-large-patch16-224-in21k-v2 разработана Touchtech и дообучена на наборе touchtech/fashion-images-gender-age на основе google/vit-large-patch16-224-in21k. Это ViT-Large с архитектурой ViTForImageClassification и примерно 402,7 млн параметров; модель принимает изображения и классифицирует их по категориям, связанным с полом и возрастом в контексте модных изображений. В карточке указаны точность 0,9939 и loss 0,0213 на оценочном наборе.

Модель подходит для классификации людей на изображениях одежды и модных товаров по возрасту и полу, например для анализа ассортимента или организации визуальных каталогов. Она распространяется по лицензии Apache-2.0. Приведённые метрики относятся к оценочному набору; данных о переносимости на другие источники изображений нет.

Сценарии применения

классификация пола на модных фотографиях
оценка возрастной категории людей на изображениях одежды
автоматическая разметка изображений для визуального каталога моды

Ограничения

Метрики приведены только для оценочного набора, поэтому качество на других источниках изображений не установлено. Описание обучающих данных и подробные сведения об ограничениях в карточке отсутствуют.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

fashion-images-gender-age-vit-large-patch16-224-in21k-v2

This model is a fine-tuned version of google/vit-large-patch16-224-in21k on the touchtech/fashion-images-gender-age dataset. It achieves the following results on the evaluation set:

Loss: 0.0213
Accuracy: 0.9939

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: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 1337
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5.0

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.1758	1.0	2447	0.0484	0.9864
0.1123	2.0	4894	0.0851	0.9800
0.0922	3.0	7341	0.0341	0.9910
0.0592	4.0	9788	0.0213	0.9939
0.053	5.0	12235	0.0259	0.9942

Framework versions

Transformers 4.33.0.dev0
Pytorch 2.0.1+cu118
Datasets 2.14.4
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: ViTForImageClassification
Ревизия весов: 1c31bd9