/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224
Библиотека
transformers
Опубликована
27 мар 2025

vit-base-oxford-iiit-pets

Классификация изображенийИзображение → label3 профессии

Дообученный ViT классифицирует фотографии кошек и собак по 37 породам Oxford-IIIT Pet.

420скачиваний за 30 дней0лайковвеса обновлены6 апр 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 weileluc/vit-base-oxford-iiit-pets — дообученная версия Vision Transformer ViT-Base от Google для классификации изображений кошек и собак по 37 породам из набора Oxford-IIIT Pet. Она построена на google/vit-base-patch16-224, содержит 113,2 млн параметров и рассчитана на изображения; текстовые входы не поддерживает. По данным карточки, точность на оценочной выборке составила 94,32%.

Модель подходит для определения породы питомца на фотографии, учебных экспериментов по transfer learning и сравнения подходов к классификации изображений. Она обучена на 7 349 изображениях Oxford-IIIT Pet и распознаёт только 37 представленных в наборе пород. На необычных ракурсах, при плохом освещении и на изображениях вне обучающего набора качество может снижаться. Лицензия — Apache-2.0.

Сценарии применения

  • определение породы кошки по фотографии
  • определение породы собаки по фотографии
  • классификация изображений питомцев для учебных проектов
  • сравнение классификатора с zero-shot моделями

Ограничения

Распознаёт только 37 пород из Oxford-IIIT Pet; может хуже работать на необычных ракурсах, при плохом освещении и на изображениях вне этого набора.

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

vit-base-oxford-iiit-pets

This model is a fine-tuned version of google/vit-base-patch16-224 on the pcuenq/oxford-pets dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2027
  • Accuracy: 0.9432

Model description

This model is a fine-tuned version of Google's ViT base model (vit-base-patch16-224) adapted for image classification on the Oxford-IIIT Pet dataset.
It distinguishes between 37 cat and dog breeds using transfer learning and achieves strong performance with minimal training effort.

The model was trained using the Hugging Face Trainer API and can be used for pet image classification tasks or as a base for further fine-tuning.

Intended uses & limitations

Intended uses:

  • Classifying pet images (dogs and cats) by breed
  • Educational purposes for transfer learning and computer vision
  • Comparisons with zero-shot models such as CLIP

Limitations:

  • The model is only trained on 37 specific breeds from the Oxford-IIIT Pet dataset
  • May perform poorly on images outside this dataset (e.g. unusual angles, bad lighting, non-pets)

Training and evaluation data

The model was fine-tuned on the Oxford-IIIT Pet dataset, which contains 7,349 images of 37 different dog and cat breeds.

The dataset was split into:

  • 80% for training
  • 10% for validation
  • 10% for testing

The evaluation results are reported on the validation set.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.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

Training results

Training LossEpochStepValidation LossAccuracy
0.37291.03700.30530.9175
0.20222.07400.22660.9323
0.16533.011100.21370.9350
0.15554.014800.20520.9391
0.12245.018500.20240.9405

Framework versions

  • Transformers 4.50.3
  • Pytorch 2.6.0+cpu
  • Datasets 3.5.0
  • Tokenizers 0.21.1

🔍 Zero-Shot Classification Comparison

This model (vit-base-oxford-iiit-pets) was compared to a zero-shot model using CLIP
(openai/clip-vit-large-patch14) on the Oxford-IIIT Pet dataset.

Zero-Shot CLIP Evaluation Results:

  • Accuracy: 0.8800 %
  • Precision: 0.8768 %
  • Recall: 0.8800 %

The fine-tuned ViT model achieved:

  • Accuracy: 94.32 %

This shows that transfer learning using ViT outperforms CLIP on this dataset.

🧪 Live Demo

👉 Try it live: Gradio App on Hugging Face Spaces

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
22e3c8a

0 моделей