results

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the cifar10 dataset. It achieves the following results on the evaluation set:

• Loss: 0.0583
• Accuracy: 0.9865

Model details

• Modellname: ViT-Base (Vision Transformer) Feintuning
• Version: 1.0
• Autoren: Fadri
• Datum: 2025-05-21
• Framework: PyTorch, Transformers (Hugging Face)
• Referenz: https://huggingface.co/Fadri/results

Model description

Dieses Modell ist ein Vision Transformer (ViT-Base), der auf das CIFAR-10-Datenset feingetunt wurde. CIFAR-10 umfasst 10 Klassen von Farb-Bildern (Airplane, Automobile, Bird, Cat, Deer, Dog, Frog, Horse, Ship, Truck).
Der Feintuning-Prozess nutzte augmentierte Trainingsbilder, um Robustheit gegenüber Varianz in Beleuchtung, Rotation und Skalierung zu erhöhen.

Training & Evaluierung

• Datensatz: CIFAR-10 (50.000 Trainings-, 10.000 Test-Bilder)
• Datenquelle & Lizenz:
  • Download von der offiziellen Website der Canadian Institute for Advanced Research (CIFAR).
  • Lizenz: MIT (frei verfügbar für Forschung und Lehre).
• Datenaufteilung: 45.000 Trainings-, 5.000 Validierungs-, 10.000 Test-Bilder
• Augmentation:
  • Zufällige horizontale Spiegelung
  • Rotation ±15°
  • Skalierung 0.8–1.2
  • Farb- und Kontrast-Jitter
• Hyperparameter:
  • Lernrate: 3e-5 mit Warmup (5 % Steps) und linearem Decay
  • Batch-Size: 64 (Train), 128 (Validation)
  • Optimizer: AdamW (β₁=0.9, β₂=0.999, ε=1e-8)
  • Epochs: 20
• Hardware: NVIDIA Tesla V100, 16 GB VRAM
• Ergebnisse:
  • Trainingsverlust: 0.0583
  • Validierungs-Accuracy: 98.65 %
  • Test-Accuracy: 98.45 %

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 5e-05
• train_batch_size: 32
• eval_batch_size: 32
• seed: 42
• optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.0388	1.0	1563	0.0732	0.9815
0.017	2.0	3126	0.0621	0.9847
0.0028	3.0	4689	0.0583	0.9865

Framework versions

• Transformers 4.52.1
• Pytorch 2.7.0+cu118
• Datasets 3.6.0
• Tokenizers 0.21.1

Zero-Shot-Baseline

Zur Einordnung der Feintuning-Leistung wurde ein CLIP-ResNet50-Modell (OpenAI CLIP) ohne zusätzliche Feineinstellung auf dem CIFAR-10-Testset evaluiert:

• Zero-Shot-Test-Accuracy: 76.2 %

Modell	Test-Accuracy
CLIP-ResNet50 (Zero-Shot)	76.2 %
ViT-Base (Feintuning)	98.45 %

Intended Uses

• Klassifikation von kleinen Farb-Bildern in 10 Kategorien (z. B. in Lehr- und Forschungsumgebungen).
• Demonstration von Feintuning-Prozessen für Transformer-Modelle im Computer-Vision-Bereich.

Limitations

• Nur für Bildgrößen 32×32 px optimiert – nicht direkt auf größere Auflösungen übertragbar ohne zusätzliche Anpassung.
• CIFAR-10 ist relativ klein und künstlich; Ergebnisse auf realen, größeren Datensätzen können abweichen.
• Fehlklassifizierungen treten bei ähnlichen Klassen (z. B. Katze vs. Hund) auf.

Training Data

• Quelle: https://www.cs.toronto.edu/~kriz/cifar.html
• Split: 45k Train / 5k Val / 10k Test
• **Augmentation:**siehe oben
• Vorverarbeitung:
  • Normalisierung auf den Mittelwert und die Standardabweichung von CIFAR-10
  • Resizing auf 224×224 px (Input-Requirement von ViT)

Evaluation Data

• Unverändertes CIFAR-10-Testset (10 k Bilder), gleiche Vorverarbeitung wie Training.

Ethical Considerations

• Kein sensibler oder personenbezogener Inhalt.
• Lizenzkonformität mit MIT-Lizenz.
• Modell nicht für kritische Anwendungen (z. B. medizinische Diagnostik) geeignet.