オープンソースのecc_segformerv2画像セグメンテーションモデル

ホーム

Ecc Segformerv2

rishitunuによって開発

nvidia/mit-b5をファインチューニングした画像セグメンテーションモデルで、ひび割れ検出タスクに特化

画像セグメンテーション

Transformers

オープンソースライセンス:その他 #ひび割れ検出 #建築構造分析 #画像セグメンテーション

ダウンロード数 18

リリース時間 : 8/13/2023

モデル概要

このモデルは、nvidia/mit-b5アーキテクチャをrishitunu/ecc_crackdetector_datasetデータセットでファインチューニングした画像セグメンテーションモデルで、主に画像中のひび割れ構造を検出するために使用されます。

モデル特徴

ひび割れ検出専用

ひび割れ検出タスクに特化して最適化されており、画像中のひび割れ構造を識別可能

SegFormerアーキテクチャ採用

効率的なSegFormer画像セグメンテーションアーキテクチャを採用し、精度と計算効率のバランスを実現

モデル能力

画像セグメンテーション

ひび割れ検出

構造欠陥識別

使用事例

インフラ検査

建築物のひび割れ検出

建物表面のひび割れ欠陥を検出するために使用

評価セットでひび割れのIoUが0.1723を達成

道路のひび割れ検出

道路表面のひび割れや損傷を識別

🚀 ecc_segformerv2

このモデルは、nvidia/mit-b5 を rishitunu/ecc_crackdetector_dataset 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: 0.3478
平均IoU: 0.0862
平均精度: 0.1924
全体精度: 0.1924
背景精度: nan
亀裂精度: 0.1924
背景IoU: 0.0
亀裂IoU: 0.1723

📚 ドキュメント

トレーニング手順

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: 4
評価バッチサイズ: 4
シード: 1337
オプティマイザ: ベータ=(0.9,0.999) かつイプシロン=1e-08 のAdam
学習率スケジューラタイプ: 多項式
トレーニングステップ: 10000

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	亀裂精度	亀裂IoU
0.1019	1.0	251	0.5116	0.1490	0.3280	0.3280	nan	0.3280	0.2979
0.0938	2.0	502	0.4725	0.1144	0.2400	0.2400	nan	0.2400	0.2287
0.098	3.0	753	0.5117	0.1276	0.2748	0.2748	nan	0.2748	0.2552
0.1018	4.0	1004	0.3870	0.1053	0.2254	0.2254	nan	0.2254	0.2106
0.0928	5.0	1255	0.2907	0.0772	0.1630	0.1630	nan	0.1630	0.1544
0.0936	6.0	1506	0.5220	0.1193	0.2544	0.2544	nan	0.2544	0.2385
0.077	7.0	1757	0.1608	0.0617	0.1308	0.1308	nan	0.1308	0.1235
0.0963	8.0	2008	0.1756	0.0456	0.0923	0.0923	nan	0.0923	0.0912
0.0958	9.0	2259	0.2027	0.0862	0.1813	0.1813	nan	0.1813	0.1725
0.0755	10.0	2510	0.2327	0.0888	0.1832	0.1832	nan	0.1832	0.1776
0.0632	11.0	2761	0.2169	0.0846	0.1863	0.1863	nan	0.1863	0.1693
0.0638	12.0	3012	0.2309	0.0852	0.1957	0.1957	nan	0.1957	0.1704
0.0509	13.0	3263	0.3209	0.1236	0.2910	0.2910	nan	0.2910	0.2472
0.0497	14.0	3514	0.3274	0.1045	0.2354	0.2354	nan	0.2354	0.2089
0.0396	15.0	3765	0.3415	0.1005	0.2257	0.2257	nan	0.2257	0.2010
0.0373	16.0	4016	0.3530	0.1122	0.2486	0.2486	nan	0.2486	0.2244
0.0388	17.0	4267	0.3312	0.0889	0.1974	0.1974	nan	0.1974	0.1778
0.0346	18.0	4518	0.3061	0.0903	0.2125	0.2125	nan	0.2125	0.1807
0.0296	19.0	4769	0.3223	0.1000	0.2315	0.2315	nan	0.2315	0.2000
0.0311	20.0	5020	0.3458	0.0943	0.2237	0.2237	nan	0.2237	0.1887
0.0303	21.0	5271	0.3283	0.0975	0.2255	0.2255	nan	0.2255	0.1951
0.0249	22.0	5522	0.3387	0.0998	0.2327	0.2327	nan	0.2327	0.1996
0.0298	23.0	5773	0.3332	0.0973	0.2242	0.2242	nan	0.2242	0.1946
0.0239	24.0	6024	0.3778	0.1146	0.2634	0.2634	nan	0.2634	0.2292
0.0238	25.0	6275	0.3250	0.0909	0.2081	0.2081	nan	0.2081	0.1818
0.0242	26.0	6526	0.3826	0.1002	0.2285	0.2285	nan	0.2285	0.2004
0.017	27.0	6777	0.3543	0.1058	0.2367	0.2367	nan	0.2367	0.2115
0.0241	28.0	7028	0.3491	0.0915	0.2069	0.2069	nan	0.2069	0.1830
0.0203	29.0	7279	0.3354	0.0899	0.2056	0.2056	nan	0.2056	0.1798
0.0206	30.0	7530	0.3592	0.0944	0.2165	0.2165	nan	0.2165	0.1888
0.0211	31.0	7781	0.3200	0.0943	0.2100	0.2100	nan	0.2100	0.1886
0.0209	32.0	8032	0.3401	0.0850	0.1941	0.1941	nan	0.1941	0.1701
0.0172	33.0	8283	0.3326	0.0879	0.1986	0.1986	nan	0.1986	0.1759
0.0187	34.0	8534	0.3343	0.0869	0.1960	0.1960	nan	0.1960	0.1739
0.0181	35.0	8785	0.3223	0.0824	0.1835	0.1835	nan	0.1835	0.1648
0.0168	36.0	9036	0.3461	0.0864	0.1933	0.1933	nan	0.1933	0.1727
0.0169	37.0	9287	0.3438	0.0848	0.1888	0.1888	nan	0.1888	0.1695
0.0182	38.0	9538	0.3506	0.0865	0.1933	0.1933	nan	0.1933	0.1730
0.0167	39.0	9789	0.3535	0.0869	0.1946	0.1946	nan	0.1946	0.1739
0.0174	39.84	10000	0.3478	0.0862	0.1924	0.1924	nan	0.1924	0.1723