ResNet-18画像分類モデル - オープンソースで無料でデプロイ可能、画像フォルダデータセットで良好な性能を発揮

ホーム

Resnet 18 Feature Extraction

SiddharthaMによって開発

microsoft/resnet-18をファインチューニングした画像分類モデルで、画像フォルダデータセットで優れた性能を発揮します。

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 #転移学習のファインチューニング #少数サンプル学習

ダウンロード数 28

リリース時間 : 11/7/2022

モデル概要

このモデルはResNet-18アーキテクチャに基づく事前学習モデルで、ファインチューニング後に画像分類タスクに使用されます。評価セットで高い精度と再現率を示しています。

モデル特徴

高精度

評価セットで95%の精度を達成し、優れた性能を示しています。

バランスの取れた指標

適合率、再現率、F1スコアのすべてが良好で、モデルの予測結果は信頼性が高いです。

ファインチューニング最適化

事前学習モデルを基にファインチューニングを行い、特定の画像分類タスクに適応させています。

モデル能力

画像分類

特徴抽出

使用事例

コンピュータビジョン

汎用画像分類

様々な種類の画像を分類・識別するために使用できます

精度95%、F1スコア0.972

🚀 resnet-18-feature-extraction

このモデルは、microsoft/resnet-18 を imagefolder 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: 0.1485
正解率: 0.95
適合率: 0.9653
再現率: 0.9789
F1値: 0.9720
ROC AUC: 0.8505

📚 詳細ドキュメント

モデル情報

プロパティ	詳細
モデルタイプ	resnet-18-feature-extraction
トレーニングデータ	imagefolder
評価指標	正解率、適合率、再現率、F1値

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: 2e-05
トレーニングバッチサイズ: 64
評価バッチサイズ: 64
シード: 42
勾配蓄積ステップ: 4
総トレーニングバッチサイズ: 256
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: linear
学習率スケジューラウォームアップ率: 0.1
エポック数: 50

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	正解率	適合率	再現率	F1値	ROC AUC
No log	0.8	2	0.6232	0.75	0.9636	0.7465	0.8413	0.7621
No log	1.8	4	0.6971	0.4875	1.0	0.4225	0.5941	0.7113
No log	2.8	6	0.7915	0.2875	1.0	0.1972	0.3294	0.5986
No log	3.8	8	0.8480	0.2875	1.0	0.1972	0.3294	0.5986
0.8651	4.8	10	0.9094	0.2562	1.0	0.1620	0.2788	0.5810
0.8651	5.8	12	0.7470	0.5625	1.0	0.5070	0.6729	0.7535
0.8651	6.8	14	0.5915	0.85	1.0	0.8310	0.9077	0.9155
0.8651	7.8	16	0.4817	0.8875	0.9844	0.8873	0.9333	0.8881
0.8651	8.8	18	0.3455	0.9187	0.9778	0.9296	0.9531	0.8815
0.5349	9.8	20	0.2966	0.9187	0.9708	0.9366	0.9534	0.8572
0.5349	10.8	22	0.2347	0.95	0.9653	0.9789	0.9720	0.8505
0.5349	11.8	24	0.2468	0.9313	0.9645	0.9577	0.9611	0.8400
0.5349	12.8	26	0.2310	0.9563	0.9720	0.9789	0.9754	0.8783
0.5349	13.8	28	0.2083	0.9313	0.9580	0.9648	0.9614	0.8157
0.3593	14.8	30	0.1840	0.9375	0.9521	0.9789	0.9653	0.7950
0.3593	15.8	32	0.1947	0.9375	0.9648	0.9648	0.9648	0.8435
0.3593	16.8	34	0.1837	0.9313	0.9517	0.9718	0.9617	0.7915
0.3593	17.8	36	0.1819	0.9437	0.9524	0.9859	0.9689	0.7985
0.3593	18.8	38	0.1924	0.9437	0.9650	0.9718	0.9684	0.8470
0.2737	19.8	40	0.1990	0.95	0.9653	0.9789	0.9720	0.8505
0.2737	20.8	42	0.1759	0.95	0.9718	0.9718	0.9718	0.8748
0.2737	21.8	44	0.1804	0.9313	0.9517	0.9718	0.9617	0.7915
0.2737	22.8	46	0.1666	0.9313	0.9517	0.9718	0.9617	0.7915
0.2737	23.8	48	0.1534	0.9437	0.9524	0.9859	0.9689	0.7985
0.2278	24.8	50	0.1612	0.9375	0.9521	0.9789	0.9653	0.7950
0.2278	25.8	52	0.1535	0.9437	0.9586	0.9789	0.9686	0.8228
0.2278	26.8	54	0.1568	0.9437	0.9716	0.9648	0.9682	0.8713
0.2278	27.8	56	0.2107	0.9375	0.9714	0.9577	0.9645	0.8678
0.2278	28.8	58	0.1592	0.9313	0.9517	0.9718	0.9617	0.7915
0.2057	29.8	60	0.1557	0.9375	0.9648	0.9648	0.9648	0.8435
0.2057	30.8	62	0.1714	0.9437	0.9650	0.9718	0.9684	0.8470
0.2057	31.8	64	0.1571	0.95	0.9653	0.9789	0.9720	0.8505
0.2057	32.8	66	0.1574	0.9375	0.9583	0.9718	0.9650	0.8192
0.2057	33.8	68	0.1423	0.9563	0.9720	0.9789	0.9754	0.8783
0.2	34.8	70	0.1677	0.9437	0.9650	0.9718	0.9684	0.8470
0.2	35.8	72	0.1560	0.9375	0.9583	0.9718	0.9650	0.8192
0.2	36.8	74	0.1594	0.9375	0.9521	0.9789	0.9653	0.7950
0.2	37.8	76	0.1512	0.9437	0.9586	0.9789	0.9686	0.8228
0.2	38.8	78	0.1396	0.9563	0.9655	0.9859	0.9756	0.8541
0.1838	39.8	80	0.1509	0.9375	0.9583	0.9718	0.9650	0.8192
0.1838	40.8	82	0.1529	0.95	0.9718	0.9718	0.9718	0.8748
0.1838	41.8	84	0.1506	0.95	0.9653	0.9789	0.9720	0.8505
0.1838	42.8	86	0.1549	0.95	0.9653	0.9789	0.9720	0.8505
0.1838	43.8	88	0.1331	0.9563	0.9655	0.9859	0.9756	0.8541
0.1872	44.8	90	0.1409	0.9437	0.9524	0.9859	0.9689	0.7985
0.1872	45.8	92	0.1639	0.9375	0.9583	0.9718	0.9650	0.8192
0.1872	46.8	94	0.1391	0.95	0.9589	0.9859	0.9722	0.8263
0.1872	47.8	96	0.1436	0.9563	0.9655	0.9859	0.9756	0.8541
0.1872	48.8	98	0.1442	0.9437	0.9586	0.9789	0.9686	0.8228
0.185	49.8	100	0.1485	0.95	0.9653	0.9789	0.9720	0.8505