/ Модель

Характеристики

Библиотека
tensorflow-lite
Опубликована
5 окт 2026

lite-rt_models_cadrylpro

Классификация изображенийИзображение → label

Набор LiteRT-моделей для классификации изображений и ряда специализированных задач компьютерного зрения в Android-приложении Cadryl.

785скачиваний за 30 дней0лайковвеса обновлены10 окт 2026

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

unicornwhodev/lite-rt_models_cadrylpro — набор экспортированных LiteRT-моделей для специализированных задач компьютерного зрения, опубликованный разработчиком Unicorn Who Dev. Репозиторий объединяет модели классификации изображений, а также группы моделей для обнаружения объектов и сегментации; основная задача, указанная в метаданных, — классификация изображений. Экспорты предназначены для запуска в Android-приложении Cadryl с соответствующими файлами конфигурации модели.

Модели применяются для классификации отходов, материалов, аномалий печатных плат, резкости, одежды, свежести фруктов, жестов, букв жестового алфавита, интерьерных и уличных сцен, а также символов Kuzushiji. Для корректной работы следует использовать точную пару файла .tflite и файла конфигурации с одной ревизии, сохраняя метки, предобработку и пороги. README сообщает о проверках исполнения на ARM64 Debug, но не приводит измерений точности на репрезентативных фотографиях или времени работы на телефоне; покрытие физических устройств и квалификация Release APK не завершены. Ограничения исходных корпусов и чекпойнтов сохраняются, общей лицензии на веса репозиторий не назначает.

Сценарии применения

  • классификация отходов и материалов по изображению
  • поиск аномалий на изображениях печатных плат
  • оценка резкости и свежести фруктов по фото
  • распознавание одежды, жестов и букв жестового алфавита
  • классификация интерьерных и уличных сцен
  • классификация символов Kuzushiji

Ограничения

Проверки исполнения на ARM64 Debug не подтверждают точность на репрезентативных фотографиях или скорость на телефонах; физические устройства охвачены не полностью, а Release APK не квалифицирован. Для каждого экспорта требуется соответствующий файл конфигурации, а ограничения исходных корпусов и чекпойнтов остаются в силе; общей лицензии на веса нет.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cadryl · LiteRT models by task

An Android studio for importing images, reviewing model proposals, correcting annotations and exporting datasets. 48 model groups · 99 LiteRT exports · 93 image / 6 audio.

Quick card

FieldReference
UseChoose a specialized inference model for one documented task.
Expected inputAn image and its exact export configuration; audio uses a separate native frontend.
ExampleImport a model/config pair, try a representative image, review and preserve human annotations.
LimitsInference-only collection; benchmark scores do not establish accuracy on your photos or complete Release/device qualification.
ContractPer-export catalogue · Import guide

Choose a variant · Resource navigation · Update log

15 task comparisons · All variants · JSON index

Task groupAvailable uses
ClassificationWaste, materials, PCB1 anomalies, sharpness, clothing, fruit freshness, gestures, signed alphabet, indoor/outdoor scenes and Kuzushiji.
DetectionHelmets/heads/people and document text blocks.
SegmentationPothole foreground masks.
PointsFour document corners.
AudioSpoken digits, with the exact audio frontend.

Use a matching pair

  1. Retrieve the chosen .tflite and its exact .tflite.model_config.json at one immutable revision.
  2. Import both into Cadryl; preserve labels, preprocessing, tensor outputs and thresholds.
  3. Try a representative image, review proposals and preserve corrected human annotations.

Application · Downloads · Getting started · About Unicorn Who Dev

Evidence and remaining limits

The existing execution receipt reports 93 cloud image executions and 66/93 image variants executed on ARM64 Debug, with synthetic device inputs. Complete physical-device coverage and Release APK qualification remain open. These are execution checks, not representative photo accuracy or phone timing benchmarks.

The comparisons retain full-test scores, recorded intervals and exact source hashes. Historical scores without a public common-test identity are not ranked. Fashion-MNIST at 460 px remains deferred. No training, new evaluation or paid compute is started by this update.

General-purpose conversions · Audio frontend · Hashes · Attributions. Original corpus/checkpoint restrictions remain applicable; no new blanket weight licence is assigned.

Likes are always welcome! ❤️ If these resources help you, a little heart makes our day and helps others discover the work. Thank you!

Как запустить

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

GPU в ailist

Универсальный рантайм · tensorflow-lite

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
2aa200d

0 моделей