Vit Base Patch16 224 In21k GI Diagnosis

🚀 vit-base-patch16-224-in21k_GI_diagnosis

このモデルは、画像分類タスクに特化したモデルで、胃腸（GI）診断の多クラス画像分類を行うことができます。

🚀 クイックスタート

このモデルは google/vit-base-patch16-224-in21k をファインチューニングしたものです。評価セットでは以下の結果を達成しています。

• 損失: 0.2538
• 正解率: 0.9375
• 加重F1値: 0.9365
• マイクロF1値: 0.9375
• マクロF1値: 0.9365
• 加重再現率: 0.9375
• マイクロ再現率: 0.9375
• マクロ再現率: 0.9375
• 加重適合率: 0.9455
• マイクロ適合率: 0.9375
• マクロ適合率: 0.9455

✨ 主な機能

これは胃腸（GI）診断の多クラス画像分類モデルです。作成方法の詳細については、以下のリンクを参照してください。 https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Image%20Classification/Multiclass%20Classification/Diagnoses%20from%20Colonoscopy%20Images/diagnosis_from_colonoscopy_image_ViT.ipynb

📚 ドキュメント

想定される用途と制限

このモデルは、技術を用いて複雑な問題を解決する能力を示すことを目的としています。

学習と評価データ

データセットのソース: https://www.kaggle.com/datasets/francismon/curated-colon-dataset-for-deep-learning

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: 0.0002
• 学習バッチサイズ: 16
• 評価バッチサイズ: 8
• シード値: 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: 3

学習結果

フレームワークのバージョン

• Transformers 4.22.2
• Pytorch 1.12.1
• Datasets 2.5.2
• Tokenizers 0.12.1

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。