语言: 西班牙语
标签:

• sagemaker
• vit
• 图像分类
• 训练生成
  许可证: apache-2.0
  数据集:
• cifar10
  评估指标:
• 准确率

模型索引:

• 名称: vit_base-224-in21k-ft-cifar10
  结果:
  • 任务:
    名称: 图像分类
    类型: image-classification
    数据集:
    名称: "Cifar10"
    类型: cifar10
    评估指标:
    • 名称: 准确率
      类型: accuracy
      值: 0.97

模型 vit_base-224-in21k-ft-cifar10

用于西班牙语图像分类的微调模型

该模型使用亚马逊SageMaker和Hugging Face深度学习容器进行训练，基础模型是Vision Transformer（基础尺寸模型），这是一个类似于BERT的Transformer编码器模型，在ImageNet-21k数据集上以224x224像素的分辨率进行了监督式预训练。基础模型链接

基础模型引用

BibTeX条目和引用信息

@misc{wu2020visual,  
      title={Visual Transformers: Token-based Image Representation and Processing for Computer Vision},   
      author={Bichen Wu and Chenfeng Xu and Xiaoliang Dai and Alvin Wan and Peizhao Zhang and Zhicheng Yan and Masayoshi Tomizuka and Joseph Gonzalez and Kurt Keutzer and Peter Vajda},  
      year={2020},  
      eprint={2006.03677},  
      archivePrefix={arXiv},  
      primaryClass={cs.CV}  
}  

数据集

数据集描述链接

CIFAR-10和CIFAR-100是8000万张微小图像数据集的标记子集，由Alex Krizhevsky、Vinod Nair和Geoffrey Hinton收集。

CIFAR-10数据集包含60000张32x32彩色图像，分为10个类别，每个类别6000张图像。其中50000张用于训练，10000张用于测试。

数据集分为五个训练批次和一个测试批次，每个批次包含10000张图像。测试批次每个类别包含1000张随机选择的图像。训练批次包含剩余图像，顺序随机，但某些训练批次可能包含更多某一类别的图像。训练批次总共每个类别包含5000张图像。

数据集大小:

• 训练集: 50,000
• 测试集: 10,000

预期用途与限制

该模型用于图像分类。

超参数

{  
"epochs": "5",  
"train_batch_size": "32",      
"eval_batch_size": "8",  
"fp16": "true",  
"learning_rate": "1e-05",  
}  

测试结果

• 准确率 = 0.97

模型应用

图像分类使用示例

from transformers import ViTFeatureExtractor, ViTModel  
from PIL import Image  
import requests  

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'  
image = Image.open(requests.get(url, stream=True).raw)  

feature_extractor = ViTFeatureExtractor.from_pretrained('google/vit-base-patch16-224-in21k')  
model = ViTModel.from_pretrained('edumunozsala/vit_base-224-in21k-ft-cifar10')  
inputs = feature_extractor(images=image, return_tensors="pt")  

outputs = model(**inputs)  
last_hidden_states = outputs.last_hidden_state  

由Eduardo Muñoz/@edumunozsala创建