获取 YOLO 许可
返回 Ultralytics 术语表

Model Card

模型卡用于记录已训练模型的预期用途、训练数据、评估结果和局限。这种格式由 Google 研究人员于 2018 年提出。

模型卡是随训练完成的机器学习模型一同发布的简短文档,记录模型的用途、训练和评估方式、在不同群体和条件下的表现,以及模型失效的情形。Google 的 Margaret Mitchell、Timnit Gebru 及其同事在 2018 年提出了这一格式,并在 FAT* 2019 会议上发表了论文 Model Cards for Model Reporting。如今,模型卡已成为AI 透明度的标准做法:Hugging Face上的模型仓库会将模型卡作为首页,AI 实验室也会为主要版本发布模型卡,例如 Anthropic 于 2024 年发布的 Claude 3 模型卡。

模型卡包含哪些内容#

原始论文提出了九个部分:

  • 模型详情:开发者、版本、日期、架构、许可证,以及问题反馈渠道。
  • 预期用途:模型的主要用途和目标用户,以及不在适用范围内的用途。
  • 影响因素:可能改变模型表现的群体、设备和环境,例如年龄组、相机类型或照明条件。
  • 指标:报告了哪些性能指标、使用了哪些决策阈值,以及选择这些指标和阈值的原因。
  • 评估数据:用于测试的数据集及其选择原因。
  • 训练数据:模型学习所用的数据,并尽可能详细地说明可公开的信息。
  • 定量分析:按各个影响因素分别报告结果,并分析因素之间的组合情况。
  • 伦理考量:敏感数据、对人的潜在风险以及采取的缓解措施。
  • 注意事项与建议:已知的不足之处,例如从未测试过的条件。

定量分析是这一理念的核心。单一的总分会掩盖集中在某个子群体中的问题,因此论文中一个使用 CelebA 人脸数据集训练的微笑检测器示例模型卡,会分别按年龄和性别报告错误率;这种分组评估能揭示算法偏差和数据集偏差。对于目标检测模型,同一部分会按类别和条件报告平均精度均值 (mAP),例如小目标、夜间图像或各台相机的结果,同时还会报告目标硬件上的推理延迟。

Hugging Face 上的模型卡#

在 Hugging Face Hub 上,模型卡是仓库的 README.md:它由面向用户的 Markdown 部分和 YAML 元数据头组成,Hub 会解析元数据以按任务、许可证和数据集筛选模型,并展示评估结果。huggingface_hub 库会根据结构化数据生成这两部分:

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

# Torchvision 会随每组权重附带已发布的 ImageNet 准确率
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]

# 机器可读元数据:库、训练数据和评估结果
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]
)

# 填充默认模板:YAML 头部后接 Markdown 部分
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("## ")])

YAML 输出列出训练数据集,并包含一个 model-index 区块,记录 ImageNet-1K 上 80.858% 的 top-1 准确率;Hub 会将其显示为评估结果。第二行会输出模板中的各个部分,从“模型详情”和“用途”,到“偏差、风险与局限”,再到“评估”和“环境影响”。该模板直接承袭了原始论文中的九个部分。

  • 数据集说明书:Timnit Gebru 及其同事在 2018 年提出了这种文档,用于记录数据集的收集和标注方式,以及数据集的预期用途。模型卡会链接到训练数据的数据集说明书,而不是重复记录其中的内容。
  • 系统卡:描述由多个模型、提示、安全过滤器和人工流程组成的已部署 AI 系统。Meta 于 2022 年引入了这一术语;如今,包括 OpenAI 在内,构建大型语言模型 (LLM)的实验室都会为每个主要模型版本发布系统卡。
  • 模型注册表:存储模型文件、版本和沿袭信息,而模型卡则说明每个已注册版本适用于哪些用途。
  • 可解释人工智能 (XAI):解释模型为何做出某个具体预测,而模型卡描述模型在整个评估集上的行为。

在某些情况下,法规已将模型卡格式变为一项要求。根据《欧盟人工智能法案》,自 2025 年 8 月 2 日起,通用人工智能模型的提供者必须保留训练和评估的技术文档,并向基于其模型构建应用的开发者提供有关模型能力和局限的信息。欧盟委员会的《通用人工智能实践准则》为此提供了《模型文档表》,其中包含类似模型卡的字段,例如预期用途、训练数据和能耗。模型卡是AI 治理和负责任的 AI整体实践的一部分。

保持模型卡内容更新#

模型卡描述的是某个模型版本,因此模型、数据或部署条件发生变化时,模型卡也需要更新。生产环境中的模型监控可提供相关证据:数据漂移或新的失效模式会成为下一版本模型卡中的注意事项。

模型卡的部分信息也可以随模型文件一同保存。当 Ultralytics YOLO26模型导出为 ONNX或 OpenVINO 等格式时,导出器会嵌入元数据,其中包含训练数据集、作者、导出日期、软件包版本、许可证、任务、输入尺寸和类别名称等说明,因此部署后的副本仍能标明自身信息及其检测对象。

探索解决方案

体育领域的计算机视觉

体育领域的计算机视觉

了解 Ultralytics YOLO 如何通过球员和球追踪、表现分析、教练洞察及运动员康复,推动体育视觉技术的发展。
了解详情
航空影像计算机视觉

航空影像计算机视觉

使用 Ultralytics YOLO 将无人机和航空影像转化为农业、水产养殖、保护工作和地理空间分析的实时洞察。
了解详情
航空航天中的计算机视觉

航空航天中的计算机视觉

使用 Ultralytics YOLO 将计算机视觉应用于航空航天领域,包括飞机检查、跑道 FOD 检测、机场地面作业和复合材料缺陷检测。
了解详情
安防领域的计算机视觉

安防领域的计算机视觉

使用 Ultralytics YOLO 模型守护每个场所。视觉 AI 可用于周界监控、威胁检测、车牌识别和工作场所安全。
了解详情
机器人领域的计算机视觉

机器人领域的计算机视觉

使用 Ultralytics YOLO 模型提升智能机器的能力。机器人领域的视觉 AI 可用于自主导航、感知、目标跟踪和实时控制。
了解详情
物流中的计算机视觉

物流中的计算机视觉

借助 Ultralytics YOLO 模型优化物流流程。视觉 AI 可用于包裹检查、分拣、车辆跟踪和仓库安全实时监控。
了解详情
零售中的计算机视觉

零售中的计算机视觉

借助 Ultralytics YOLO 模型重新构想零售。视觉 AI 可用于库存跟踪、货架监控、排队管理和更深入的客户洞察。
了解详情
医疗领域的计算机视觉

医疗领域的计算机视觉

借助 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可加快医学影像处理、优化诊断并监测患者。
了解详情
制造业中的计算机视觉

制造业中的计算机视觉

利用 Ultralytics YOLO 模型优化制造流程。视觉 AI 可用于质量控制、缺陷检测、个人防护装备合规检查和装配线自动化。
了解详情
汽车领域的计算机视觉

汽车领域的计算机视觉

利用 Ultralytics YOLO 模型在汽车领域应用计算机视觉。视觉 AI 可提升道路安全、驾驶辅助和车辆自动化水平,让道路更智能。
了解详情
农业中的计算机视觉

农业中的计算机视觉

借助 Ultralytics YOLO 模型,将视觉 AI 引入智慧农业。为作物监测、牲畜追踪和精准农业提供支持,从而提高产量并实现更智能的生产。
了解详情

让我们携手构建 AI 的未来!

开启你的旅程,迎接机器学习的未来