/ Модель

Характеристики

Размер весов
2,5 ГБ
Лицензия
Apache 2.0
Базовая модель
deit3_huge_patch14_224.fb_in1k
Библиотека
zeromodels
Опубликована
30 июл 2026

deit3_huge_patch14_224_fb_in1k

Классификация изображенийИзображение → label3 профессии

Крупная модель DeiT-III классифицирует изображения ImageNet-1k и может извлекать визуальные признаки для задач компьютерного зрения.

222скачиваний за 30 дней0лайковвеса обновлены30 авг 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

zeromodels публикует конверсию DeiT-III Huge для классификации изображений и извлечения визуальных признаков. Модель основана на timm/deit3_huge_patch14_224.fb_in1k и представлена в формате Keras 3; реализация работает с TensorFlow, PyTorch и JAX.

Это крупный вариант Vision Transformer с патчами 14×14 и входным разрешением 224×224, обученный для классификации ImageNet-1k. Интерфейс DeiTImageClassify выдаёт оценки классов, а DeiTModel позволяет использовать модель как визуальный экстрактор признаков.

Модель подходит для классификации изображений и как backbone в компьютерном зрении. Лицензия — Apache-2.0. Она предназначена для изображений, а не для текстовых или иных модальностей; качество на данных, отличающихся от ImageNet-1k, зависит от последующей адаптации.

Сценарии применения

  • Классификация изображений по категориям
  • Получение признаков изображений для downstream-моделей
  • Использование в качестве backbone для компьютерного зрения

Ограничения

Модель ориентирована на классификацию ImageNet-1k; качество на других наборах данных может требовать адаптации. Она принимает изображения и не предназначена для обработки текста или других модальностей.

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

See our collection for all versions of DeiT.

Run DeiT with Keras 3: JAX, PyTorch, or TensorFlow

GitHub Docs Collection

zeromodels/deit3_huge_patch14_224_fb_in1k

Paper: Training data-efficient image transformers and distillation through attention (arXiv:2012.12877) · HF Papers

DeiT / DeiT3 are data-efficient ViT variants (distillation token in DeiT; improved training recipe in DeiT3). Same ImageClassify / Model API.

For more details on the model, please go to the upstream model card.

Pure-Keras 3 conversion of timm/deit3_huge_patch14_224.fb_in1k for zeromodels. One implementation runs unmodified on TensorFlow / Torch / JAX.

This is an image-classification / backbone checkpoint (DeiTImageClassify / DeiTModel).

✨ Quick start

import os

os.environ["KERAS_BACKEND"] = "torch"  # or "jax" / "tensorflow"

from PIL import Image
from zeromodels.models.deit import DeiTImageClassify, DeiTModel, DeiTImageProcessor

model = DeiTImageClassify.from_weights("zeromodels/deit3_huge_patch14_224_fb_in1k")
processor = DeiTImageProcessor.from_weights("zeromodels/deit3_huge_patch14_224_fb_in1k")

image = Image.open("your_image.jpg").convert("RGB")
pixels = processor(image)  # resize + normalize (normalization lives in the processor)
logits = model(pixels, training=False)
print(logits.shape)  # (1, num_classes)

# Feature extraction: the backbone without the classifier head
backbone = DeiTModel.from_weights("zeromodels/deit3_huge_patch14_224_fb_in1k", as_backbone=True)
features = backbone(pixels, training=False)

Load any DeiT variant the same way with from_weights("zeromodels/<variant>"):

VariantHub
deit3_base_patch16_224_fb_in1kzeromodels/deit3_base_patch16_224_fb_in1k
deit3_base_patch16_224_fb_in22k_ft_in1kzeromodels/deit3_base_patch16_224_fb_in22k_ft_in1k
deit3_base_patch16_384_fb_in1kzeromodels/deit3_base_patch16_384_fb_in1k
deit3_base_patch16_384_fb_in22k_ft_in1kzeromodels/deit3_base_patch16_384_fb_in22k_ft_in1k
deit3_huge_patch14_224_fb_in1kzeromodels/deit3_huge_patch14_224_fb_in1k
deit3_huge_patch14_224_fb_in22k_ft_in1kzeromodels/deit3_huge_patch14_224_fb_in22k_ft_in1k
deit3_large_patch16_224_fb_in1kzeromodels/deit3_large_patch16_224_fb_in1k
deit3_large_patch16_224_fb_in22k_ft_in1kzeromodels/deit3_large_patch16_224_fb_in22k_ft_in1k
deit3_large_patch16_384_fb_in1kzeromodels/deit3_large_patch16_384_fb_in1k
deit3_large_patch16_384_fb_in22k_ft_in1kzeromodels/deit3_large_patch16_384_fb_in22k_ft_in1k
deit3_medium_patch16_224_fb_in1kzeromodels/deit3_medium_patch16_224_fb_in1k
deit3_medium_patch16_224_fb_in22k_ft_in1kzeromodels/deit3_medium_patch16_224_fb_in22k_ft_in1k
deit3_small_patch16_224_fb_in1kzeromodels/deit3_small_patch16_224_fb_in1k
deit3_small_patch16_224_fb_in22k_ft_in1kzeromodels/deit3_small_patch16_224_fb_in22k_ft_in1k
deit3_small_patch16_384_fb_in1kzeromodels/deit3_small_patch16_384_fb_in1k
deit3_small_patch16_384_fb_in22k_ft_in1kzeromodels/deit3_small_patch16_384_fb_in22k_ft_in1k
deit_base_distilled_patch16_224_fb_in1kzeromodels/deit_base_distilled_patch16_224_fb_in1k
deit_base_distilled_patch16_384_fb_in1kzeromodels/deit_base_distilled_patch16_384_fb_in1k
deit_base_patch16_224_fb_in1kzeromodels/deit_base_patch16_224_fb_in1k
deit_base_patch16_384_fb_in1kzeromodels/deit_base_patch16_384_fb_in1k
deit_small_distilled_patch16_224_fb_in1kzeromodels/deit_small_distilled_patch16_224_fb_in1k
deit_small_patch16_224_fb_in1kzeromodels/deit_small_patch16_224_fb_in1k
deit_tiny_distilled_patch16_224_fb_in1kzeromodels/deit_tiny_distilled_patch16_224_fb_in1k
deit_tiny_patch16_224_fb_in1kzeromodels/deit_tiny_patch16_224_fb_in1k

Tips

  • Set KERAS_BACKEND before importing Keras / zeromodels.
  • DeiTImageClassify returns class logits; DeiTModel returns features (as_backbone=True for multi-scale stages).
  • See docs and Loading Weights.
  • Upstream / timm checkpoints: DeiTImageClassify.from_weights("hf:timm/deit3_huge_patch14_224.fb_in1k").

Special Thanks

A huge thank you to the DeiT authors and the timm / Hub communities for creating and releasing these models.

License: see YAML license (usually matches the upstream checkpoint).

Как запустить

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

GPU в ailist

Универсальный рантайм · zeromodels

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
600bae8

0 моделей