Лицензия YOLO
Назад к глоссарию Ultralytics

Model Card

Карточка модели описывает назначение обученной модели, обучающие данные, результаты оценки и ограничения. Этот формат предложили исследователи Google в 2018 году.

Карточка модели — это краткий документ, публикуемый вместе с обученной моделью машинного обучения. В нём описывается назначение модели, её обучение и оценка, производительность для разных групп и условий, а также известные ограничения. Маргарет Митчелл, Тимнит Гебру и их коллеги из Google предложили этот формат в 2018 году в статье Model Cards for Model Reporting, представленной на конференции FAT* 2019. Карточки моделей стали стандартной практикой для обеспечения прозрачности в сфере ИИ: на Hugging Face карточка модели отображается на главной странице её репозитория, а лаборатории ИИ публикуют карточки крупных релизов, например карточку модели Claude 3, которую Anthropic выпустила в 2024 году.

Что содержит карточка модели#

В первоначальной статье предложено девять разделов:

  • Сведения о модели: Разработчик, версия, дата, архитектура, лицензия и контакт для вопросов.
  • Предполагаемое использование: Основные сценарии и пользователи, для которых создана модель, а также сценарии за пределами её назначения.
  • Факторы: Группы, устройства и условия, которые могут повлиять на производительность, например возрастная группа, тип камеры или освещение.
  • Метрики: Используемые метрики производительности, пороги принятия решений, при которых они приводятся, и причины их выбора.
  • Данные для оценки: Использованные для тестирования наборы данных и причины их выбора.
  • Обучающие данные: Данные, на которых обучалась модель, с максимально подробным описанием, насколько это допускает их доступность.
  • Количественный анализ: Результаты для каждого фактора отдельно и в сочетании с другими факторами.
  • Этические аспекты: Конфиденциальные данные, риски для людей и применённые меры снижения рисков.
  • Ограничения и рекомендации: Известные пробелы, например условия, которые никогда не проверялись.

Количественный анализ — ключевая часть этой концепции. Одна итоговая оценка скрывает ошибки, сосредоточенные в отдельной подгруппе, поэтому в примере карточки детектора улыбок из статьи частота ошибок приводится отдельно для разных возрастных и гендерных групп в наборе лицевых изображений CelebA. Такая дезагрегированная оценка выявляет алгоритмическое смещение и смещение набора данных. Для модели обнаружения объектов в этом же разделе указывают среднюю точность (mAP) по классам и условиям, например для мелких объектов, ночных изображений или разных камер, а также задержку инференса на целевом оборудовании.

Карточки моделей на Hugging Face#

На Hugging Face Hub карточка модели — это README.md репозитория: разделы в Markdown для пользователей и заголовок метаданных YAML, который Hub обрабатывает для фильтрации моделей по задачам, лицензиям и наборам данных, а также для отображения результатов оценки. Библиотека huggingface_hub формирует обе части из структурированных данных:

from huggingface_hub import EvalResult, ModelCard, ModelCardData
from torchvision.models import ResNet50_Weights

# Torchvision включает опубликованную точность на ImageNet для каждого набора весов
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]

# Машиночитаемые метаданные: библиотека, обучающие данные и результаты оценки
result = EvalResult(
    task_type="image-classification",
    dataset_type="imagenet-1k",
    dataset_name="ImageNet-1K",
    metric_type="accuracy",
    metric_value=top1,
)
card_data = ModelCardData(
    model_name="resnet50", library_name="torchvision", datasets=["imagenet-1k"], eval_results=[result]
)

# Заполнение шаблона по умолчанию: заголовок YAML, за которым следуют разделы Markdown
card = ModelCard.from_template(card_data, model_summary="ResNet-50 image classifier trained on ImageNet-1K.")
print(card.data.to_yaml())
print([line[3:] for line in card.content.splitlines() if line.startswith("## ")])

В выводе YAML указан обучающий набор данных и блок model-index с точностью top-1 80,858% на наборе ImageNet-1K. Hub отображает этот результат как оценку модели. Во второй строке выводятся разделы шаблона: от сведений о модели и её применении до смещения, рисков и ограничений, а также оценки и воздействия на окружающую среду. Этот шаблон напрямую продолжает девятичастную структуру первоначальной статьи.

  • Паспорта наборов данных: Предложены Тимнит Гебру и её коллегами в 2018 году. В них документируется, как был собран и размечен набор данных и для чего он предназначался. Вместо повторного описания обучающих данных карточка модели ссылается на их паспорт.
  • Карточки систем: Описывают развёрнутую систему ИИ, состоящую из нескольких моделей, запросов, фильтров безопасности и процессов с участием людей. В 2022 году Meta ввела этот термин, а лаборатории, разрабатывающие большие языковые модели (LLM), включая OpenAI, теперь публикуют карточку системы для каждого крупного релиза модели.
  • Реестр моделей: Хранит файлы моделей, версии и сведения об их происхождении, а карточка объясняет, для чего подходит каждая зарегистрированная версия.
  • Объяснимый ИИ (XAI): Объясняет, почему модель выдала конкретный прогноз, а карточка описывает её поведение на всём наборе для оценки.

В некоторых случаях формат стал обязательным по закону. Согласно Акту ЕС об искусственном интеллекте, с 2 августа 2025 года поставщики моделей ИИ общего назначения должны хранить техническую документацию об обучении и оценке и предоставлять разработчикам, которые создают решения на основе этих моделей, сведения об их возможностях и ограничениях. Для этого в Кодексе практики Комиссии по моделям ИИ общего назначения предусмотрена форма документации модели с полями, характерными для карточек, например предполагаемым применением, обучающими данными и энергопотреблением. Карточки — часть более широкой практики управления ИИ и ответственного ИИ.

Как поддерживать карточку в актуальном состоянии#

Карточка описывает одну версию модели, поэтому её нужно обновлять при изменении модели, данных или условий развёртывания. Данные производственного мониторинга модели помогают выявлять проблемы: дрейф данных или новый тип ошибки становится ограничением в карточке следующей версии.

Часть сведений из карточки можно встроить непосредственно в файл модели. При экспорте моделей Ultralytics YOLO26 в такие форматы, как ONNX или OpenVINO, экспортёр встраивает метаданные с описанием обучающего набора данных, автора, даты экспорта, версии пакета, лицензии, задачи, размера входных данных и названий классов. Благодаря этому развёрнутая копия по-прежнему сообщает, что это за модель и что она обнаруживает.

Изучи решения

Компьютерное зрение в спорте

Компьютерное зрение в спорте

Узнай, как Ultralytics YOLO обеспечивает компьютерное зрение в спорте: отслеживание игроков и мяча, аналитика результатов, полезные выводы для тренеров и реабилитация спортсменов.
Подробнее
Компьютерное зрение для аэросъёмки

Компьютерное зрение для аэросъёмки

Превращай снимки с дронов и аэрофотоснимки в полезные данные в реальном времени для сельского хозяйства, аквакультуры, охраны природы и геопространственного анализа с Ultralytics YOLO.
Подробнее
Компьютерное зрение в аэрокосмической отрасли

Компьютерное зрение в аэрокосмической отрасли

Применяй компьютерное зрение в аэрокосмической отрасли с Ultralytics YOLO: для осмотра самолётов, обнаружения посторонних предметов на взлётно-посадочных полосах, наземного обслуживания аэропортов и выявления дефектов композитных материалов.
Подробнее
Компьютерное зрение в сфере безопасности

Компьютерное зрение в сфере безопасности

Защити любой объект с помощью моделей Ultralytics YOLO. ИИ на базе компьютерного зрения обеспечивает мониторинг периметра, обнаружение угроз, распознавание номерных знаков и безопасность на рабочем месте.
Подробнее
Компьютерное зрение в робототехнике

Компьютерное зрение в робототехнике

Создавай более интеллектуальные машины с моделями Ultralytics YOLO. ИИ на базе компьютерного зрения в робототехнике обеспечивает автономную навигацию, восприятие, отслеживание объектов и управление в реальном времени.
Подробнее
Компьютерное зрение в логистике

Компьютерное зрение в логистике

Оптимизируй логистику с моделями Ultralytics YOLO. Визуальный AI обеспечивает проверку посылок, сортировку, отслеживание транспорта и мониторинг безопасности на складе в реальном времени.
Подробнее
Компьютерное зрение в розничной торговле

Компьютерное зрение в розничной торговле

Переосмысли розничную торговлю с моделями Ultralytics YOLO. Визуальный AI обеспечивает отслеживание запасов, мониторинг полок, управление очередями и более глубокое понимание поведения покупателей.
Подробнее
Компьютерное зрение в здравоохранении

Компьютерное зрение в здравоохранении

Создавай решения для здравоохранения с моделями Ultralytics YOLO. Визуальный AI в здравоохранении ускоряет медицинскую визуализацию, улучшает диагностику и мониторинг пациентов.
Подробнее
Компьютерное зрение в производстве

Компьютерное зрение в производстве

Оптимизируй производство с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ обеспечивает контроль качества, обнаружение дефектов, контроль использования СИЗ и автоматизацию сборочных линий.
Подробнее
Компьютерное зрение в автомобильной отрасли

Компьютерное зрение в автомобильной отрасли

Применяй компьютерное зрение в автомобильной отрасли с моделями Ultralytics YOLO. Компьютерное зрение на базе ИИ повышает безопасность дорожного движения, улучшает помощь водителю и автоматизацию автомобилей, делая дороги умнее.
Подробнее
Компьютерное зрение в сельском хозяйстве

Компьютерное зрение в сельском хозяйстве

Внедряй ИИ для компьютерного зрения в умное сельское хозяйство с моделями Ultralytics YOLO. Используй их для мониторинга посевов, отслеживания скота и точного земледелия, чтобы повысить урожайность и эффективность.
Подробнее

Давай вместе строить будущее ИИ!

Начни свой путь в будущее машинного обучения