Vc Bantai Vit Withoutambi Adunest V1

V

Vc Bantai Vit Withoutambi Adunest V1

AykeeSalazarによって開発

GoogleのViT-baseモデルを微調整した高精度画像分類モデルで、評価セットで91.81%の精度を達成

オープンソースライセンス:Apache-2.0 #高精度画像分類 #ViT微調整モデル #違反コンテンツ検出

ダウンロード数 28

リリース時間 : 7/28/2022

モデル概要

このモデルはgoogle/vit-base-patch16-224-in21kを画像フォルダデータセットで微調整したバージョンで、主に画像分類タスクに使用されます。

モデル特徴

高精度

評価セットで91.81%の精度を達成

ViTアーキテクチャベース

Vision Transformerアーキテクチャを使用し、強力な画像特徴抽出能力を有する

精密調整

200エポックのトレーニングを実施し、Adamオプティマイザーと線形学習率スケジューリングを使用

モデル能力

画像分類

視覚的特徴抽出

使用事例

画像認識

違反コンテンツ分類

違反画像コンテンツの識別と分類に使用可能

Violation-Classificationデータセットで良好なパフォーマンス

🚀 vc-bantai-vit-withoutAMBI-adunest-v1

このモデルは、google/vit-base-patch16-224-in21k を imagefolder データセットでファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

損失: 0.3318
正解率: 0.9181

📚 ドキュメント

モデルの概要

詳細情報は後日提供予定です。

想定される用途と制限

詳細情報は後日提供予定です。

学習と評価データ

詳細情報は後日提供予定です。

学習手順

学習ハイパーパラメータ

学習中に使用されたハイパーパラメータは以下の通りです。

学習率: 0.0005
学習バッチサイズ: 32
評価バッチサイズ: 32
シード: 42
オプティマイザ: Adam (ベータ=(0.9,0.999)、イプシロン=1e-08)
学習率スケジューラの種類: 線形
エポック数: 200
混合精度学習: Native AMP

学習結果

学習損失	エポック	ステップ	検証損失	正解率
ログなし	0.23	100	0.3365	0.8581
ログなし	0.45	200	0.3552	0.8472
ログなし	0.68	300	0.3165	0.8581
ログなし	0.91	400	0.2882	0.8690
0.3813	1.13	500	0.2825	0.8745
0.3813	1.36	600	0.2686	0.9007
0.3813	1.59	700	0.2381	0.9017
0.3813	1.81	800	0.3643	0.8734
0.3813	2.04	900	0.2873	0.8930
0.2736	2.27	1000	0.2236	0.9039
0.2736	2.49	1100	0.2652	0.8723
0.2736	2.72	1200	0.2793	0.8952
0.2736	2.95	1300	0.2158	0.8974
0.2736	3.17	1400	0.2410	0.8886
0.2093	3.4	1500	0.2262	0.9017
0.2093	3.63	1600	0.2110	0.9214
0.2093	3.85	1700	0.2048	0.9138
0.2093	4.08	1800	0.2044	0.9127
0.2093	4.31	1900	0.2591	0.9007
0.1764	4.54	2000	0.2466	0.8952
0.1764	4.76	2100	0.2554	0.9017
0.1764	4.99	2200	0.2145	0.9203
0.1764	5.22	2300	0.3187	0.9039
0.1764	5.44	2400	0.3336	0.9050
0.1454	5.67	2500	0.2542	0.9127
0.1454	5.9	2600	0.2796	0.8952
0.1454	6.12	2700	0.2410	0.9181
0.1454	6.35	2800	0.2503	0.9148
0.1454	6.58	2900	0.2966	0.8996
0.1216	6.8	3000	0.1978	0.9312
0.1216	7.03	3100	0.2297	0.9214
0.1216	7.26	3200	0.2768	0.9203
0.1216	7.48	3300	0.3356	0.9083
0.1216	7.71	3400	0.3415	0.9138
0.1038	7.94	3500	0.2398	0.9061
0.1038	8.16	3600	0.3347	0.8963
0.1038	8.39	3700	0.2199	0.9203
0.1038	8.62	3800	0.2943	0.9061
0.1038	8.84	3900	0.2561	0.9181
0.0925	9.07	4000	0.4170	0.8777
0.0925	9.3	4100	0.3638	0.8974
0.0925	9.52	4200	0.3233	0.9094
0.0925	9.75	4300	0.3496	0.9203
0.0925	9.98	4400	0.3621	0.8996
0.0788	10.2	4500	0.3260	0.9116
0.0788	10.43	4600	0.3979	0.9061
0.0788	10.66	4700	0.3301	0.8974
0.0788	10.88	4800	0.2197	0.9105
0.0788	11.11	4900	0.3306	0.9148
0.0708	11.34	5000	0.3318	0.9181

フレームワークのバージョン

Transformers 4.20.1
Pytorch 1.12.0+cu113
Datasets 2.3.2
Tokenizers 0.12.1

📄 ライセンス

このモデルは Apache-2.0 ライセンスの下で提供されています。

おすすめAIモデル

Llama 3 Typhoon V1.5x 8b Instruct

タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化

大規模言語モデル

Transformers 複数言語対応

Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。

対話システム

Transformers 英語

Roberta Base Chinese Extractive Qa

RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。

質問応答システム中国語

AIbase

未来を切り開く、あなたのAIソリューション知識ベース

English 简体中文繁體中文にほんご

© 2025AIbase