DocuSort AI классифицирует изображения документов по десяти категориям, включая письма, формы, отчёты и научные публикации.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
DocuSort AI — система классификации изображений документов, обученная на наборе Tobacco3482. В репозитории представлены две модели: собственная CNN, обученная с нуля, и ResNet18 с переносом обучения. Модель относит документы к одному из десяти классов: рекламные материалы, электронные письма, формы, письма, служебные записки, новости, заметки, отчёты, резюме и научные документы.
Модель предназначена для автоматической сортировки и первичной категоризации отсканированных документов или их изображений. Для ResNet18 указана точность 70,6% и Macro-F1 0,706 на тестовой выборке; для CNN, обученной с нуля, — 67,5% и Macro-F1 0,684. Репозиторий содержит PyTorch-модели и распространяется по лицензии MIT. Результаты относятся к Tobacco3482 и не гарантируют такую же точность на документах из других источников или с иным оформлением.
На тестовой выборке Tobacco3482 точность составляет 70,6% для ResNet18 и 67,5% для CNN, поэтому возможны ошибки классификации. Качество на документах вне этого набора данных не подтверждено.
README от автора на Hugging Face, как он его опубликовал
Document classification system trained on the Tobacco3482 dataset.
Tobacco3482
| Model | Test Accuracy | Macro-F1 |
|---|---|---|
| Custom CNN (from Scratch) | 67.5% | 0.684 |
| ResNet18 (Transfer Learning) | 70.6% | 0.706 |
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
В репозитории нет config.json: не понять архитектуру модели.