google/vit-base-patch16-224

El modelo ViT-base-patch16-224 es un modelo de clasificación de imágenes basado en arquitectura Vision Transformer, que divide la imagen en parches de 16×16 píxeles y los procesa como una secuencia. Ha sido preentrenado y ajustado sobre los datasets de referencia ImageNet-21k e ImageNet-1k, ampliamente utilizados en investigación para tareas de image classification.

Este modelo está alojado en la plataforma de Hugging Face, que actúa como repositorio y ecosistema para la distribución de modelos de inteligencia artificial preentrenados y listos para su uso en producción o investigación.

En el contexto de la Cátedra, este modelo se incluye como una selección orientada a tareas de visión por computador, específicamente para la clasificación general de imágenes (y como base para ajustar clases propias), con un enfoque académico y experimental.

Puedes consultar el modelo desde este link: https://huggingface.co/google/vit-base-patch16-224