Характеристики

Лицензия: Apache 2.0
Архитектура: convnextv2 · dense
Базовая модель: convnextv2-tiny-22k-384
Опубликована: 8 авг 2024

Ссылки

Hugging Face

convnextv2-tiny-22k-384-finetuned-spiderTraining100-1000

zkdeng

Классификация изображенийИзображение → label

Дообученная ConvNeXt V2 Tiny для классификации изображений по категориям.

5скачиваний за 30 дней0лайковвеса обновлены8 авг 2024

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

Это дообученная модель классификации изображений на основе facebook/convnextv2-tiny-22k-384, опубликованная пользователем zkdeng. Она предназначена для отнесения изображений к категориям; название указывает на настройку spiderTraining100-1000, но набор данных и состав категорий в карточке не описаны. В README приведены результаты на оценочной выборке: accuracy 0,9017 и F1 0,9008; применимость этих показателей зависит от неизвестных состава и способа формирования выборки. Модель использует архитектуру ConvNeXt V2 Tiny, веса в формате PyTorch, распространяется по лицензии Apache-2.0.

Сценарии применения

классификация изображений по категориям
автоматическая разметка набора изображений
сортировка изображений по классам

Ограничения

Набор данных, перечень классов и ограничения применения не описаны; приведённые метрики нельзя переносить на другие выборки без проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

convnextv2-tiny-22k-384-finetuned-spiderTraining100-1000

This model is a fine-tuned version of facebook/convnextv2-tiny-22k-384 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.3472
Accuracy: 0.9017
Precision: 0.9020
Recall: 0.9010
F1: 0.9008

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: 5e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
1.1428	1.0	1249	0.8161	0.7863	0.7938	0.7848	0.7815
0.8248	2.0	2499	0.5184	0.8583	0.8616	0.8569	0.8568
0.7002	3.0	3749	0.4145	0.8816	0.8836	0.8803	0.8805
0.5284	4.0	4999	0.3724	0.8953	0.8966	0.8942	0.8943
0.4511	5.0	6245	0.3472	0.9017	0.9020	0.9010	0.9008

Framework versions

Transformers 4.33.3
Pytorch 2.0.1+cu117
Datasets 2.14.5
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ConvNextV2ForImageClassification
Ревизия весов: e7234d6