segformer - b4 - wallオープンソースビジュアルセグメンテーションモデル - 壁面画像セグメンテーションタスクを高精度かつ高効率で実現

ホーム

Segformer B4 Wall

leftattentionによって開発

SegFormerアーキテクチャに基づく視覚分割モデルで、壁面画像分割タスクに特化しており、評価セットで高い精度とIoU指標を達成しました。

画像セグメンテーション

Transformers

#高精度画像分割 #壁面認識 #リアルタイム意味分割

ダウンロード数 18

リリース時間 : 6/25/2024

モデル概要

このモデルはSegFormer-B4アーキテクチャでトレーニングされた視覚分割モデルで、主に壁面画像の分割タスクに使用されます。モデルは評価セットで優れた性能を示し、平均精度94.48%、平均IoU89.93%を達成しました。

モデル特徴

高精度分割

評価セットで94.48%の平均精度と89.93%の平均IoUを達成し、優れた分割性能を示しています

効率的なトレーニング

Adamオプティマイザーと線形学習率スケジューラーを使用し、50トレーニングエポック以内で迅速に収束します

安定した性能

トレーニング中の検証指標が安定しており、モデルが優れた汎化能力を持っていることを示しています

モデル能力

壁面画像分割

ピクセルレベル分類

視覚シーン理解

使用事例

建築業界

壁面状態評価

壁面領域を自動分割し、建築品質検査とメンテナンスに使用

壁面領域を正確に識別でき、後続分析の基礎を提供します

インテリアデザイン

壁面装飾計画

壁面領域を正確に分割し、インテリアデザインと計画を支援

🚀 segformer-b4-wall

このモデルは、Noneデータセットを使用してゼロから学習されました。評価セットでは以下の結果を達成しています。

損失: 0.1537
平均精度: 0.9448
平均IoU: 0.8993
全体精度: 0.9558
カテゴリ別精度: [0.9648476610683054, 0.9680509025433003, 0.9015647356112896, nan]
カテゴリ別IoU: [0.9294668192886654, 0.9344825387850888, 0.8340281823830938, nan]

🚀 クイックスタート

このセクションでは、segformer-b4-wallモデルの基本的な使い方を説明します。

📚 ドキュメント

モデルの説明

詳細情報は後日提供予定です。

想定される用途と制限

詳細情報は後日提供予定です。

学習と評価データ

詳細情報は後日提供予定です。

学習手順

学習ハイパーパラメータ

学習中に使用されたハイパーパラメータは以下の通りです。

学習率: 6e-05
学習バッチサイズ: 64
評価バッチサイズ: 64
シード: 42
オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
学習率スケジューラの種類: 線形
エポック数: 50

学習結果

学習損失	エポック	ステップ	検証損失	平均精度	平均IoU	全体精度	カテゴリ別精度	カテゴリ別IoU
0.1398	5.3476	1000	0.1477	0.9424	0.8733	0.9420	[0.9375947027923643, 0.962438818648652, 0.9270677962243152, nan]	[0.9071928258269675, 0.9154732958813474, 0.7971633247503161, nan]
0.1114	10.6952	2000	0.1329	0.9426	0.8878	0.9498	[0.9551513266050631, 0.9606741248023447, 0.9120448217426163, nan]	[0.9197608920879746, 0.9255854097692368, 0.818153830444766, nan]
0.0683	16.0428	3000	0.1353	0.9473	0.8921	0.9516	[0.9527839457434386, 0.9691455504455139, 0.9198476394516605, nan]	[0.922537499674425, 0.926305870761282, 0.8273726843249476, nan]
0.0753	21.3904	4000	0.1311	0.9437	0.8959	0.9540	[0.9633835386385788, 0.9611760655179852, 0.9066569940696604, nan]	[0.9267602358926313, 0.9312805978213234, 0.8297698871401628, nan]
0.0505	26.7380	5000	0.1397	0.9442	0.8971	0.9545	[0.9627544499461427, 0.967327419780526, 0.9024453947068249, nan]	[0.9272910775593762, 0.9304849186604474, 0.8333807013974415, nan]
0.0427	32.0856	6000	0.1414	0.9455	0.8992	0.9555	[0.9640187847053339, 0.9652081246861538, 0.9074073950598316, nan]	[0.9289147168722637, 0.9321577805497577, 0.8366507705917902, nan]
0.0556	37.4332	7000	0.1477	0.9452	0.8984	0.9552	[0.9629165900233977, 0.9697602413261539, 0.9029026554269718, nan]	[0.9285106797857617, 0.9331322728249959, 0.833620894806762, nan]
0.0424	42.7807	8000	0.1484	0.9439	0.8990	0.9557	[0.9653151526182964, 0.96949089540134, 0.8967977175922358, nan]	[0.9292691886525306, 0.9343666443212755, 0.83323737535253, nan]
0.053	48.1283	9000	0.1537	0.9448	0.8993	0.9558	[0.9648476610683054, 0.9680509025433003, 0.9015647356112896, nan]	[0.9294668192886654, 0.9344825387850888, 0.8340281823830938, nan]