cv-classification
Best practices for image classification tasks. Use when working on CIFAR, ImageNet, or other classification benchmarks.
Quellinformationen
- Repository
- aiming-lab/AutoResearchClaw
- Letzte Quellaktivität
- 23. März 2026 um 01:46
- Erkannte Sprache von SKILL.md
- Englisch
- Sterne
- 14.579
- Forks
- 1.698
Installationsoptionen
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Quelldateien prüfen
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
SKILL.md wird angezeigt
SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau- name
- cv-classification
- description
- Best practices for image classification tasks. Use when working on CIFAR, ImageNet, or other classification benchmarks.
- metadata
- {"category":"domain","trigger-keywords":"classification,image,cifar,imagenet,resnet,vision,cnn,vit","applicable-stages":"9,10","priority":"3","version":"1.0","author":"researchclaw","references":"He et al., Deep Residual Learning, CVPR 2016; Dosovitskiy et al., An Image is Worth 16x16 Words, ICLR 2021"}
## Image Classification Best Practice
Architecture selection:
- Small scale (CIFAR-10/100): ResNet-18/34, WideResNet, Simple ViT
- Medium scale: ResNet-50, EfficientNet-B0/B1, DeiT-Small
- Large scale: ViT-B/16, ConvNeXt, Swin Transformer
Training recipe:
- Optimizer: AdamW (lr=1e-3 to 3e-4) or SGD (lr=0.1 with cosine decay)
- Weight decay: 0.01-0.1 for AdamW, 5e-4 for SGD
- Data augmentation: RandomCrop, RandomHorizontalFlip, Cutout/CutMix
- Warmup: 5-10 epochs linear warmup for transformers
- Batch size: 128-256 for CNNs, 512-1024 for ViTs (if memory allows)
Standard benchmarks:
- CIFAR-10: ~96% (ResNet-18), ~97% (WideResNet)
- CIFAR-100: ~80% (ResNet-18), ~84% (WideResNet)
- ImageNet: ~76% (ResNet-50), ~81% (ViT-B/16)
Auf GitHub ansehen