%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
JA
Segformer B0 Finetuned Segments Food Oct 24v2
NVIDIA/MIT - B0アーキテクチャに基づき、FoodSeg103データセットで微調整された食品画像分割モデル
ダウンロード数 25
リリース時間 : 10/24/2024
モデル概要
このモデルは専門的に食品画像の分割タスクに使用され、画像内の異なる食品クラスを識別および分割することができます
モデル特徴
軽量級アーキテクチャ
SegFormer - B0アーキテクチャに基づき、リソース制限のある環境でのデプロイに適しています
食品専用分割
食品画像に合わせて最適化され、複数の食品クラスを識別できます
転移学習
事前学習モデルを基に、ドメイン固有の微調整を行っています
モデル能力
画像分割
食品識別
ピクセルレベルの分類
使用事例
食品分析
飲食栄養分析
食器内の異なる食品成分を自動識別します
食品産業の品質検査
食品生産における成分分布を検出します
🚀 segformer-b0-finetuned-segments-food-oct-24v2
このモデルは、nvidia/mit-b0 を EduardoPacheco/FoodSeg103 データセットでファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。
- 損失: 3.0289
- 平均IoU: 0.0104
- 平均精度: 0.0245
- 全体精度: 0.1659
- 背景精度: nan
- キャンディ精度: 0.0
- エッグタルト精度: 0.0
- フライドポテト精度: 0.0008
- チョコレート精度: 0.0
- ビスケット精度: 0.0
- ポップコーン精度: 0.0
- プリン精度: 0.0
- アイスクリーム精度: 0.0
- チーズバター精度: 0.0
- ケーキ精度: 0.0
- ワイン精度: 0.0
- ミルクシェイク精度: 0.0
- コーヒー精度: 0.0
- ジュース精度: 0.0
- ミルク精度: 0.0
- 紅茶精度: 0.0
- アーモンド精度: 0.0
- 小豆精度: 0.0
- カシューナッツ精度: 0.0
- ドライクランベリー精度: 0.0
- 大豆精度: 0.0
- クルミ精度: 0.0
- ピーナッツ精度: 0.0
- 卵精度: 0.0
- リンゴ精度: 0.0
- ナツメ精度: 0.0
- アプリコット精度: 0.0
- アボカド精度: 0.0
- バナナ精度: 0.0
- イチゴ精度: 0.0029
- チェリー精度: 0.0
- ブルーベリー精度: 0.0
- ラズベリー精度: 0.0
- マンゴー精度: 0.0
- オリーブ精度: 0.0
- モモ精度: 0.0
- レモン精度: 0.0
- ナシ精度: 0.0
- イチジク精度: 0.0
- パイナップル精度: 0.0
- ブドウ精度: 0.0
- キウイ精度: 0.0
- メロン精度: 0.0
- オレンジ精度: 0.0
- スイカ精度: 0.0
- ステーキ精度: 0.0135
- 豚肉精度: 0.0
- 鶏肉・鴨肉精度: 0.0029
- ソーセージ精度: 0.0
- 揚げ肉精度: 0.0
- 羊肉精度: 0.0
- ソース精度: 0.3123
- カニ精度: 0.0
- 魚精度: 0.0
- 貝類精度: 0.0
- エビ精度: 0.0
- スープ精度: 0.0
- パン精度: 0.6999
- トウモロコシ精度: 0.0061
- ハンバーガー精度: 0.0
- ピザ精度: 0.0
- 花巻饅頭精度: 0.0
- 雲呑餃子精度: 0.0
- パスタ精度: 0.0
- 麺精度: 0.0
- 米精度: 0.0026
- パイ精度: 0.1014
- 豆腐精度: 0.0
- ナス精度: 0.0
- ジャガイモ精度: 0.0000
- ニンニク精度: 0.0
- カリフラワー精度: 0.0037
- トマト精度: 0.1511
- 昆布精度: 0.0
- ワカメ精度: 0.0
- ネギ精度: 0.0
- ナタネ精度: 0.0
- ショウガ精度: 0.0
- オクラ精度: 0.0
- レタス精度: 0.0
- カボチャ精度: 0.0
- キュウリ精度: 0.0
- 大根精度: 0.0
- ニンジン精度: 0.5854
- アスパラガス精度: 0.0
- タケノコ精度: 0.0
- ブロッコリー精度: 0.4701
- セロリ精度: 0.0
- コリアンダー・ミント精度: 0.0
- 雪えんどう精度: 0.0
- キャベツ精度: 0.0
- もやし精度: 0.0
- タマネギ精度: 0.0
- ピーマン精度: 0.0
- 緑豆精度: 0.0
- フランス豆精度: 0.0
- エリンギ精度: nan
- シイタケ精度: nan
- エノキ精度: nan
- ヒラタケ精度: nan
- シメジ精度: nan
- サラダ精度: nan
- その他の食材精度: nan
- 背景IoU: 0.0
- キャンディIoU: 0.0
- エッグタルトIoU: 0.0
- フライドポテトIoU: 0.0006
- チョコレートIoU: 0.0
- ビスケットIoU: 0.0
- ポップコーンIoU: 0.0
- プリンIoU: 0.0
- アイスクリームIoU: 0.0
- チーズバターIoU: 0.0
- ケーキIoU: 0.0
- ワインIoU: 0.0
- ミルクシェイクIoU: 0.0
- コーヒーIoU: 0.0
- ジュースIoU: 0.0
- ミルクIoU: 0.0
- 紅茶IoU: 0.0
- アーモンドIoU: 0.0
- 小豆IoU: 0.0
- カシューナッツIoU: 0.0
- ドライクランベリーIoU: 0.0
- 大豆IoU: 0.0
- クルミIoU: 0.0
- ピーナッツIoU: 0.0
- 卵IoU: 0.0
- リンゴIoU: 0.0
- ナツメIoU: 0.0
- アプリコットIoU: 0.0
- アボカドIoU: 0.0
- バナナIoU: 0.0
- イチゴIoU: 0.0006
- チェリーIoU: 0.0
- ブルーベリーIoU: 0.0
- ラズベリーIoU: 0.0
- マンゴーIoU: 0.0
- オリーブIoU: 0.0
- モモIoU: 0.0
- レモンIoU: 0.0
- ナシIoU: 0.0
- イチジクIoU: 0.0
- パイナップルIoU: 0.0
- ブドウIoU: 0.0
- キウイIoU: 0.0
- メロンIoU: 0.0
- オレンジIoU: 0.0
- スイカIoU: 0.0
- ステーキIoU: 0.0053
- 豚肉IoU: 0.0
- 鶏肉・鴨肉IoU: 0.0026
- ソーセージIoU: 0.0
- 揚げ肉IoU: 0.0
- 羊肉IoU: 0.0
- ソースIoU: 0.2623
- カニIoU: 0.0
- 魚IoU: 0.0
- 貝類IoU: 0.0
- エビIoU: 0.0
- スープIoU: 0.0
- パンIoU: 0.1701
- トウモロコシIoU: 0.0001
- ハンバーガーIoU: 0.0
- ピザIoU: 0.0
- 花巻饅頭IoU: 0.0
- 雲呑餃子IoU: 0.0
- パスタIoU: 0.0
- 麺IoU: 0.0
- 米IoU: 0.0024
- パイIoU: 0.0942
- 豆腐IoU: 0.0
- ナスIoU: 0.0
- ジャガイモIoU: 0.0000
- ニンニクIoU: 0.0
- カリフラワーIoU: 0.0002
- トマトIoU: 0.1304
- 昆布IoU: 0.0
- ワカメIoU: 0.0
- ネギIoU: 0.0
- ナタネIoU: 0.0
- ショウガIoU: 0.0
- オクラIoU: 0.0
- レタスIoU: 0.0
- カボチャIoU: 0.0
- キュウリIoU: 0.0
- 大根IoU: 0.0
- ニンジンIoU: 0.2222
- アスパラガスIoU: 0.0
- タケノコIoU: 0.0
- ブロッコリーIoU: 0.1323
- セロリIoU: 0.0
- コリアンダー・ミントIoU: 0.0
- 雪えんどうIoU: 0.0
- キャベツIoU: 0.0
- もやしIoU: 0.0
- タマネギIoU: 0.0
- ピーマンIoU: 0.0
- 緑豆IoU: 0.0
- フランス豆IoU: 0.0
- エリンギIoU: nan
- シイタケIoU: nan
- エノキIoU: nan
- ヒラタケIoU: nan
- シメジIoU: 0.0
- サラダIoU: nan
- その他の食材IoU: nan
🚀 クイックスタート
このセクションでは、モデルの概要と評価セットでの結果を紹介しています。
🔧 技術詳細
トレーニングハイパーパラメータ
トレーニング中に以下のハイパーパラメータが使用されました。
- 学習率: 6e - 05
- トレーニングバッチサイズ: 2
- 評価バッチサイズ: 2
- シード: 42
- オプティマイザ: OptimizerNames.ADAMW_TORCHを使用し、ベータ=(0.9, 0.999)、イプシロン=1e - 08、追加のオプティマイザ引数はありません
- 学習率スケジューラのタイプ: 線形
- エポック数: 10
トレーニング結果
| トレーニング損失 | エポック | ステップ | 検証損失 | 平均IoU | 平均精度 | 全体精度 | 背景精度 | キャンディ精度 | エッグタルト精度 | フライドポテト精度 | チョコレート精度 | ビスケット精度 | ポップコーン精度 | プリン精度 | アイスクリーム精度 | チーズバター精度 | ケーキ精度 | ワイン精度 | ミルクシェイク精度 | コーヒー精度 | ジュース精度 | ミルク精度 | 紅茶精度 | アーモンド精度 | 小豆精度 | カシューナッツ精度 | ドライクランベリー精度 | 大豆精度 | クルミ精度 | ピーナッツ精度 | 卵精度 | リンゴ精度 | ナツメ精度 | アプリコット精度 | アボカド精度 | バナナ精度 | イチゴ精度 | チェリー精度 | ブルーベリー精度 | ラズベリー精度 | マンゴー精度 | オリーブ精度 | モモ精度 | レモン精度 | ナシ精度 | イチジク精度 | パイナップル精度 | ブドウ精度 | キウイ精度 | メロン精度 | オレンジ精度 | スイカ精度 | ステーキ精度 | 豚肉精度 | 鶏肉・鴨肉精度 | ソーセージ精度 | 揚げ肉精度 | 羊肉精度 | ソース精度 | カニ精度 | 魚精度 | 貝類精度 | エビ精度 | スープ精度 | パン精度 | トウモロコシ精度 | ハンバーガー精度 | ピザ精度 | 花巻饅頭精度 | 雲呑餃子精度 | パスタ精度 | 麺精度 | 米精度 | パイ精度 | 豆腐精度 | ナス精度 | ジャガイモ精度 | ニンニク精度 | カリフラワー精度 | トマト精度 | 昆布精度 | ワカメ精度 | ネギ精度 | ナタネ精度 | ショウガ精度 | オクラ精度 | レタス精度 | カボチャ精度 | キュウリ精度 | 大根精度 | ニンジン精度 | アスパラガス精度 | タケノコ精度 | ブロッコリー精度 | セロリ精度 | コリアンダー・ミント精度 | 雪えんどう精度 | キャベツ精度 | もやし精度 | タマネギ精度 | ピーマン精度 | 緑豆精度 | フランス豆精度 | エリンギ精度 | シイタケ精度 | エノキ精度 | ヒラタケ精度 | シメジ精度 | サラダ精度 | その他の食材精度 | 背景IoU | キャンディIoU | エッグタルトIoU | フライドポテトIoU | チョコレートIoU | ビスケットIoU | ポップコーンIoU | プリンIoU | アイスクリームIoU | チーズバターIoU | ケーキIoU | ワインIoU | ミルクシェイクIoU | コーヒーIoU | ジュースIoU | ミルクIoU | 紅茶IoU | アーモンドIoU | 小豆IoU | カシューナッツIoU | ドライクランベリーIoU | 大豆IoU | クルミIoU | ピーナッツIoU | 卵IoU | リンゴIoU | ナツメIoU | アプリコットIoU | アボカドIoU | バナナIoU | イチゴIoU | チェリーIoU | ブルーベリーIoU | ラズベリーIoU | マンゴーIoU | オリーブIoU | モモIoU | レモンIoU | ナシIoU | イチジクIoU | パイナップルIoU | ブドウIoU | キウイIoU | メロンIoU | オレンジIoU | スイカIoU | ステーキIoU | 豚肉IoU | 鶏肉・鴨肉IoU | ソーセージIoU | 揚げ肉IoU | 羊肉IoU | ソースIoU | カニIoU | 魚IoU | 貝類IoU | エビIoU | スープIoU | パンIoU | トウモロコシIoU | ハンバーガーIoU | ピザIoU | 花巻饅頭IoU | 雲呑餃子IoU | パスタIoU | 麺IoU | 米IoU | パイIoU | 豆腐IoU | ナスIoU | ジャガイモIoU | ニンニクIoU | カリフラワーIoU | トマトIoU | 昆布IoU | ワカメIoU | ネギIoU | ナタネIoU | ショウガIoU | オクラIoU | レタスIoU | カボチャIoU | キュウリIoU | 大根IoU | ニンジンIoU | アスパラガスIoU | タケノコIoU | ブロッコリーIoU | セロリIoU | コリアンダー・ミントIoU | 雪えんどうIoU | キャベツIoU | もやしIoU | タマネギIoU | ピーマンIoU | 緑豆IoU | フランス豆IoU | エリンギIoU | シイタケIoU | エノキIoU | ヒラタケIoU | シメジIoU | サラダIoU | その他の食材IoU |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4.7919 | 0.05 | 2 | 4.6509 | 0.0007 | 0.0102 | 0.0048 | nan | 0.0 | 0.0 | 0.0001 | 0.0007 | 0.0 | 0.0 | 0.0010 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0111 | 0.0084 | 0.0 | 0.0044 | 0.0023 | 0.0066 | 0.0 | 0.0 | 0.0019 | 0.0 | 0.0 | 0.0014 | 0.0 | 0.0237 | 0.0195 | 0.0745 | 0.0 | 0.0 | 0.0106 | 0.0 | 0.0 | 0.0 | 0.0315 | 0.0011 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0259 | 0.0 | 0.0 | 0.0 | 0.0 | 0.1983 | 0.0 | 0.0 | 0.0 | 0.0038 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0221 | 0.0 | 0.0049 | 0.0663 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0002 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0949 | 0.0 | 0.0 | 0.0381 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.3191 |
📄 ライセンス
このモデルのライセンスは、other です。
📚 ドキュメント
| 属性 | 詳細 |
|---|---|
| モデルタイプ | transformers |
| ベースモデル | nvidia/mit-b0 |
| タグ | vision、image-segmentation、generated_from_trainer |
| モデル名 | segformer-b0-finetuned-segments-food-oct-24v2 |
Clipseg Rd64 Refined
Apache-2.0
CLIPSegはテキストと画像プロンプトに基づく画像セグメンテーションモデルで、ゼロショットおよびワンショット画像セグメンテーションタスクをサポートします。
画像セグメンテーション
Transformers
TransformersC
CIDAS
10.0M
122
RMBG 1.4
その他
BRIA RMBG v1.4 は、効率的に様々な画像の前景と背景を分離するために設計された先進的な背景除去モデルで、非商用利用に適しています。
画像セグメンテーション Transformers
TransformersR
briaai
874.12k
1,771
RMBG 2.0
その他
BRIA AIが開発した最新の背景除去モデルで、様々な画像の前景と背景を効果的に分離でき、大規模な商業コンテンツ制作シーンに適しています。
画像セグメンテーション Transformers
TransformersR
briaai
703.33k
741
Segformer B2 Clothes
MIT
ATRデータセットでファインチューニングされたSegFormerモデル、服装と人体セグメンテーション用
画像セグメンテーション Transformers
TransformersS
mattmdjaga
666.39k
410
Sam Vit Base
Apache-2.0
SAMは、点やボックスなどの入力プロンプトから高品質なオブジェクトマスクを生成できる視覚モデルで、ゼロショットセグメンテーションタスクをサポートします
画像セグメンテーション Transformers その他
Transformers その他S
facebook
635.09k
137
Birefnet
MIT
BiRefNetは高解像度二分画像分割のための深層学習モデルで、バイラテラル参照ネットワークにより精密な画像分割を実現します。
画像セグメンテーション Transformers
TransformersB
ZhengPeng7
626.54k
365
Segformer B1 Finetuned Ade 512 512
その他
SegFormerはTransformerベースのセマンティックセグメンテーションモデルで、ADE20Kデータセットでファインチューニングされており、画像分割タスクに適しています。
画像セグメンテーション Transformers
TransformersS
nvidia
560.79k
6
Sam Vit Large
Apache-2.0
SAMは入力プロンプト点やバウンディングボックスから高品質な物体マスクを生成できる視覚モデルで、ゼロショット転移能力を備えています。
画像セグメンテーション Transformers その他
Transformers その他S
facebook
455.43k
28
Face Parsing
nvidia/mit-b5をファインチューニングしたセマンティックセグメンテーションモデルで、顔解析タスク用
画像セグメンテーション Transformers 英語
Transformers 英語F
jonathandinu
398.59k
157
Sam Vit Huge
Apache-2.0
SAMは入力プロンプトに基づいて高品質なオブジェクトマスクを生成できるビジュアルモデルで、新しいタスクへのゼロショット転移をサポートします
画像セグメンテーション Transformers その他
Transformers その他S
facebook
324.78k
163
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
Transformers 複数言語対応L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
Transformers 英語C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98