Vit Base Patch16 224 In21k Snacks

🚀 Vision Transformer (Matthijs/snacksデータセットでファインチューニング)

Vision Transformer (ViT) モデルは、ImageNet - 21kで事前学習され、Matthijs/snacks データセットで torchvision の様々なデータ拡張変換を用いて5エポック間ファインチューニングされました。

このモデルは、検証セットとテストセットでそれぞれ 94.97% と 94.43% の精度を達成しています。

🚀 クイックスタート

Vision Transformer (ViT) モデルは、事前学習済みのモデルを Matthijs/snacks データセットでファインチューニングすることで、画像分類タスクに適用できます。

✨ 主な機能

• ImageNet - 21kで事前学習されたViTモデルを使用。
• Matthijs/snacks データセットでファインチューニングされ、高い精度を達成。
• 様々なデータ拡張変換を用いて訓練。

📦 インストール

原READMEにインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

from transformers import ViTFeatureExtractor
from torchvision.transforms import (
    Compose,
    Normalize,
    Resize,
    RandomResizedCrop,
    RandomHorizontalFlip,
    RandomAdjustSharpness,
    ToTensor
)

checkpoint = 'google/vit-base-patch16-224-in21k'
feature_extractor = ViTFeatureExtractor.from_pretrained(checkpoint)

# 訓練セットの変換
train_aug_transforms = Compose([
    RandomResizedCrop(size=feature_extractor.size),
    RandomHorizontalFlip(p=0.5),
    RandomAdjustSharpness(sharpness_factor=5, p=0.5),
    ToTensor(),
    Normalize(mean=feature_extractor.image_mean, std=feature_extractor.image_std),
])

# 検証/テストセットの変換
valid_aug_transforms = Compose([
    Resize(size=(feature_extractor.size, feature_extractor.size)),
    ToTensor(),
    Normalize(mean=feature_extractor.image_mean, std=feature_extractor.image_std),
])

高度な使用法

原READMEに高度な使用法のコード例が記載されていないため、このサブセクションは省略されます。

📚 ドキュメント

データセット

モデル指標

🔧 技術詳細

原READMEに技術的な詳細説明が不十分（50字未満）であるため、このセクションは省略されます。

📄 ライセンス

原READMEにライセンス情報が記載されていないため、このセクションは省略されます。