exper6_mesum5オープンソース画像分類モデル - herbier_mesuem5データセット画像を高精度で識別可

ホーム

Exper6 Mesum5

sudo-sによって開発

google/vit-base-patch16-224-in21kをベースにherbier_mesuem5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

画像分類

Transformers

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

ダウンロード数 28

リリース時間 : 7/22/2022

モデル概要

このモデルはVision Transformer (ViT)アーキテクチャの画像分類モデルで、植物標本画像分類タスク向けに特別にファインチューニングされています。

モデル特徴

高精度

評価データセットで80.36%の精度を達成し、優れた性能を発揮

ViTアーキテクチャ採用

Vision Transformerアーキテクチャを採用し、画像のグローバル特徴を効果的に捕捉

少数サンプルファインチューニング

特定領域データセットで効果的に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

視覚的特徴抽出

使用事例

植物学研究

植物標本自動分類

植物標本画像を自動識別・分類

精度80.36%

博物館デジタル化

標本コレクションのデジタル管理

博物館の植物標本デジタル分類管理を支援

🚀 exper6_mesum5

このモデルは、google/vit-base-patch16-224-in21k を sudo-s/herbier_mesuem5 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: 0.8241
正解率: 0.8036

🚀 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。sudo-s/herbier_mesuem5 データセットでファインチューニングされており、特定の画像分類タスクに適用できます。

🔧 技術詳細

学習ハイパーパラメータ

学習時には以下のハイパーパラメータが使用されました。

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の種類: linear
エポック数: 16
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
3.9276	0.23	100	3.8550	0.2089
3.0853	0.47	200	3.1106	0.3414
2.604	0.7	300	2.5732	0.4379
2.3183	0.93	400	2.2308	0.4882
1.5326	1.16	500	1.7903	0.5828
1.3367	1.4	600	1.5524	0.6349
1.1544	1.63	700	1.3167	0.6645
1.0788	1.86	800	1.3423	0.6385
0.6762	2.09	900	1.0780	0.7124
0.6483	2.33	1000	1.0090	0.7284
0.6321	2.56	1100	1.0861	0.7024
0.5558	2.79	1200	0.9933	0.7183
0.342	3.02	1300	0.8871	0.7462
0.2964	3.26	1400	0.9330	0.7408
0.1959	3.49	1500	0.9367	0.7343
0.368	3.72	1600	0.8472	0.7550
0.1821	3.95	1700	0.8937	0.7568
0.1851	4.19	1800	0.9546	0.7485
0.1648	4.42	1900	0.9790	0.7355
0.172	4.65	2000	0.8947	0.7627
0.0928	4.88	2100	1.0093	0.7462
0.0699	5.12	2200	0.8374	0.7639
0.0988	5.35	2300	0.9189	0.7645
0.0822	5.58	2400	0.9512	0.7580
0.1223	5.81	2500	1.0809	0.7349
0.0509	6.05	2600	0.9297	0.7769
0.0511	6.28	2700	0.8981	0.7822
0.0596	6.51	2800	0.9468	0.7704
0.0494	6.74	2900	0.9045	0.7870
0.0643	6.98	3000	1.1559	0.7391
0.0158	7.21	3100	0.8450	0.7899
0.0129	7.44	3200	0.8241	0.8036
0.0441	7.67	3300	0.9679	0.7751
0.0697	7.91	3400	1.0387	0.7751
0.0084	8.14	3500	0.9441	0.7947
0.0182	8.37	3600	0.8967	0.7994
0.0042	8.6	3700	0.8750	0.8041
0.0028	8.84	3800	0.9349	0.8041
0.0053	9.07	3900	0.9403	0.7982
0.0266	9.3	4000	0.9966	0.7959
0.0022	9.53	4100	0.9472	0.8018
0.0018	9.77	4200	0.8717	0.8136
0.0018	10.0	4300	0.8964	0.8083
0.0046	10.23	4400	0.8623	0.8160
0.0037	10.47	4500	0.8762	0.8172
0.0013	10.7	4600	0.9028	0.8142
0.0013	10.93	4700	0.9084	0.8178
0.0013	11.16	4800	0.8733	0.8213
0.001	11.4	4900	0.8823	0.8207
0.0009	11.63	5000	0.8769	0.8213
0.0282	11.86	5100	0.8791	0.8219
0.001	12.09	5200	0.8673	0.8249
0.0016	12.33	5300	0.8633	0.8225
0.0008	12.56	5400	0.8766	0.8195
0.0008	12.79	5500	0.8743	0.8225
0.0008	13.02	5600	0.8752	0.8231
0.0008	13.26	5700	0.8676	0.8237
0.0007	13.49	5800	0.8677	0.8237
0.0008	13.72	5900	0.8703	0.8237
0.0007	13.95	6000	0.8725	0.8237
0.0006	14.19	6100	0.8741	0.8231
0.0006	14.42	6200	0.8758	0.8237
0.0008	14.65	6300	0.8746	0.8243
0.0007	14.88	6400	0.8759	0.8243
0.0007	15.12	6500	0.8803	0.8231
0.0007	15.35	6600	0.8808	0.8237
0.0007	15.58	6700	0.8798	0.8243
0.0007	15.81	6800	0.8805	0.8243