/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-large-patch16-384
Библиотека
transformers
Опубликована
20 мар 2025

fashion-images-perspectives-vit-large-patch16-384-v2

Классификация изображенийИзображение → label3 профессии

Дообученная модель ViT-Large классифицирует изображения одежды и модных образов.

417скачиваний за 30 дней0лайковвеса обновлены20 мар 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

Модель touchtech/fashion-images-perspectives-vit-large-patch16-384-v2 — дообученная Touchtech версия Vision Transformer ViT-Large от Google для классификации изображений одежды и модных образов. Она принимает изображения и предсказывает категории, связанные с датасетом fashion-images-perspectives-v4. Модель содержит 402,7 млн параметров, использует архитектуру ViTForImageClassification и распространяется в формате Safetensors.

На указанном в карточке наборе для оценки достигнуты loss 0,1395 и accuracy 0,9655. Модель предназначена для классификации модных изображений; качество на других наборах данных и в иных сценариях может отличаться. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация фотографий одежды по категориям
  • Автоматическая разметка изображений модных образов
  • Сортировка каталога одежды по визуальным классам

Ограничения

Карточка не описывает точный перечень классов и не приводит подробностей о составе данных; метрики указаны только для оценочного набора fashion-images-perspectives-v4.

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

fashion-images-perspectives-vit-large-patch16-384-v2

This model is a fine-tuned version of google/vit-large-patch16-384 on the /workspace/fashion-images-perspectives-v4 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1395
  • Accuracy: 0.9655

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: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 5.0

Training results

Training LossEpochStepValidation LossAccuracy
0.17471.055310.20320.9456
0.08362.0110620.13950.9655
0.04793.0165930.15640.9675
0.01564.0221240.17450.9700
0.00655.0276550.19480.9690

Framework versions

  • Transformers 4.49.0
  • Pytorch 2.6.0+cu124
  • Datasets 3.4.1
  • Tokenizers 0.21.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTForImageClassification
Ревизия весов
b9ccd3c

0 моделей