modeversion1_m7_e4オープンソース画像分類モデル - 高い正確率で画像の迅速な分類をサポート

ホーム

Modeversion1 M7 E4

sudo-sによって開発

このモデルはgoogle/vit-base-patch16-224-in21kをsudo-s/herbier_mesuem7データセットでファインチューニングした画像分類モデルで、評価精度は97.31%に達しています。

画像分類

Transformers

オープンソースライセンス:Apache-2.0 #高精度画像分類 #植物標本識別 #ViTファインチューニングモデル

ダウンロード数 28

リリース時間 : 7/23/2022

モデル概要

これはVision Transformerアーキテクチャに基づく画像分類モデルで、植物標本画像に特化して最適化されています。

モデル特徴

高精度

評価セットで97.31%の分類精度を達成

ViTアーキテクチャ採用

Vision Transformer基本アーキテクチャを使用し、画像データ処理に適している

ファインチューニング最適化

特定の植物標本データセットに対して的を絞ったファインチューニングを実施

モデル能力

画像分類

植物標本識別

使用事例

植物学研究

植物標本分類

異なる種類の植物標本画像を自動分類

97.31%の分類精度

博物館デジタル化

標本コレクション管理

博物館の植物標本デジタル分類管理を支援

🚀 modeversion1_m7_e4

このモデルは、google/vit-base-patch16-224-in21k を sudo-s/herbier_mesuem7 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: 0.0902
正解率: 0.9731

🚀 クイックスタート

このモデルは画像分類タスクに使用できます。google/vit-base-patch16-224-in21k をベースに、sudo-s/herbier_mesuem7 データセットでファインチューニングされています。

🔧 技術詳細

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: 0.0002
学習バッチサイズ: 16
評価バッチサイズ: 8
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タイプ: 線形
エポック数: 4
混合精度学習: Native AMP

学習結果

学習損失	エポック	ステップ	検証損失	正解率
4.073	0.06	100	3.9370	0.1768
3.4186	0.12	200	3.2721	0.2590
2.6745	0.18	300	2.6465	0.3856
2.2806	0.23	400	2.2600	0.4523
1.9275	0.29	500	1.9653	0.5109
1.6958	0.35	600	1.6815	0.6078
1.2797	0.41	700	1.4514	0.6419
1.3772	0.47	800	1.3212	0.6762
1.1765	0.53	900	1.1476	0.7028
1.0152	0.59	1000	1.0357	0.7313
0.7861	0.64	1100	1.0230	0.7184
1.0262	0.7	1200	0.9469	0.7386
0.8905	0.76	1300	0.8184	0.7756
0.6919	0.82	1400	0.8083	0.7711
0.7494	0.88	1500	0.7601	0.7825
0.5078	0.94	1600	0.6884	0.8056
0.7134	1.0	1700	0.6311	0.8160
0.4328	1.06	1800	0.5740	0.8252
0.4971	1.11	1900	0.5856	0.8290
0.5207	1.17	2000	0.6219	0.8167
0.4027	1.23	2100	0.5703	0.8266
0.5605	1.29	2200	0.5217	0.8372
0.2723	1.35	2300	0.4805	0.8565
0.401	1.41	2400	0.4811	0.8490
0.3419	1.47	2500	0.4619	0.8608
0.301	1.52	2600	0.4318	0.8712
0.2872	1.58	2700	0.4698	0.8573
0.2451	1.64	2800	0.4210	0.8729
0.2211	1.7	2900	0.3645	0.8851
0.3145	1.76	3000	0.4139	0.8715
0.2001	1.82	3100	0.3605	0.8864
0.3095	1.88	3200	0.4274	0.8675
0.1915	1.93	3300	0.2910	0.9101
0.2465	1.99	3400	0.2726	0.9103
0.1218	2.05	3500	0.2742	0.9129
0.0752	2.11	3600	0.2572	0.9183
0.1067	2.17	3700	0.2584	0.9203
0.0838	2.23	3800	0.2458	0.9212
0.1106	2.29	3900	0.2412	0.9237
0.092	2.34	4000	0.2232	0.9277
0.1056	2.4	4100	0.2817	0.9077
0.0696	2.46	4200	0.2334	0.9285
0.0444	2.52	4300	0.2142	0.9363
0.1046	2.58	4400	0.2036	0.9352
0.066	2.64	4500	0.2115	0.9365
0.0649	2.7	4600	0.1730	0.9448
0.0513	2.75	4700	0.2148	0.9339
0.0917	2.81	4800	0.1810	0.9438
0.0879	2.87	4900	0.1971	0.9388
0.1052	2.93	5000	0.1602	0.9508
0.0362	2.99	5100	0.1475	0.9556
0.041	3.05	5200	0.1328	0.9585
0.0156	3.11	5300	0.1389	0.9571
0.0047	3.17	5400	0.1224	0.9638
0.0174	3.22	5500	0.1193	0.9651
0.0087	3.28	5600	0.1276	0.9622
0.0084	3.34	5700	0.1134	0.9662
0.0141	3.4	5800	0.1239	0.9631
0.0291	3.46	5900	0.1199	0.9645
0.0049	3.52	6000	0.1103	0.9679
0.0055	3.58	6100	0.1120	0.9662
0.0061	3.63	6200	0.1071	0.9668
0.0054	3.69	6300	0.1032	0.9697
0.0041	3.75	6400	0.0961	0.9711
0.0018	3.81	6500	0.0930	0.9718
0.0032	3.87	6600	0.0918	0.9730
0.0048	3.93	6700	0.0906	0.9732
0.002	3.99	6800	0.0902	0.9731