delivery_truck_classificationオープンソース画像分類モデル - 宅配トラックを正確に識別、精度97.33%

ホーム

Delivery Truck Classification

JEdward7777によって開発

Swin-Tinyアーキテクチャをファインチューニングした画像分類モデルで、配送トラックの識別に特化しており、精度は97.33%

画像分類

Transformers

オープンソースライセンス:Apache-2.0 #配送車両識別 #高精度分類 #Swin-Transformer

ダウンロード数 21

リリース時間 : 8/28/2022

モデル概要

このモデルはmicrosoft/swin-tiny-patch4-window7-224をファインチューニングした画像分類モデルで、主に配送トラック識別タスクに使用されます。評価セットで優れた性能を示し、精度は97.33%に達しました。

モデル特徴

高精度

テストセットで97.33%の分類精度を達成

Swin Transformerベース

先進的なSwin Transformerアーキテクチャを採用し、優れた視覚的特徴抽出能力を有する

軽量モデル

Tinyバージョンのアーキテクチャを基にしており、リソースが限られた環境での展開に適している

モデル能力

画像分類

配送トラック識別

視覚的特徴抽出

使用事例

物流管理

配送車両自動識別

物流園区や倉庫入口の車両自動識別システムに使用

識別精度97.33%を達成

輸送監視

監視システムにおける配送車両の自動分類と統計

🚀 配送トラック分類

このモデルは、microsoft/swin - tiny - patch4 - window7 - 224 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: 0.1787
正解率: 0.9733

📚 ドキュメント

モデル情報

プロパティ	詳細
モデルタイプ	配送トラック分類モデル
訓練データ	imagefolder データセット
メトリクス	正解率

訓練手順

訓練ハイパーパラメータ

訓練中に以下のハイパーパラメータが使用されました。

learning_rate: 5e - 05
train_batch_size: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam (betas=(0.9, 0.999), epsilon = 1e - 08)
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 60

訓練結果

訓練損失	エポック	ステップ	検証損失	正解率
ログなし	0.91	5	0.1787	0.9733
ログなし	1.91	10	0.1787	0.9733
ログなし	2.91	15	0.1787	0.9733
0.3799	3.91	20	0.1787	0.9733
0.3799	4.91	25	0.1787	0.9733
0.3799	5.91	30	0.1787	0.9733
0.3799	6.91	35	0.1787	0.9733
0.3648	7.91	40	0.1787	0.9733
0.3648	8.91	45	0.1787	0.9733
0.3648	9.91	50	0.1787	0.9733
0.3648	10.91	55	0.1787	0.9733
0.3954	11.91	60	0.1787	0.9733
0.3954	12.91	65	0.1787	0.9733
0.3954	13.91	70	0.1787	0.9733
0.3954	14.91	75	0.1787	0.9733
0.3926	15.91	80	0.1787	0.9733
0.3926	16.91	85	0.1787	0.9733
0.3926	17.91	90	0.1787	0.9733
0.3926	18.91	95	0.1787	0.9733
0.3801	19.91	100	0.1787	0.9733
0.3801	20.91	105	0.1787	0.9733
0.3801	21.91	110	0.1787	0.9733
0.3801	22.91	115	0.1787	0.9733
0.3815	23.91	120	0.1787	0.9733
0.3815	24.91	125	0.1787	0.9733
0.3815	25.91	130	0.1787	0.9733
0.3815	26.91	135	0.1787	0.9733
0.3955	27.91	140	0.1787	0.9733
0.3955	28.91	145	0.1787	0.9733
0.3955	29.91	150	0.1787	0.9733
0.3955	30.91	155	0.1787	0.9733
0.3854	31.91	160	0.1787	0.9733
0.3854	32.91	165	0.1787	0.9733
0.3854	33.91	170	0.1787	0.9733
0.3854	34.91	175	0.1787	0.9733
0.3949	35.91	180	0.1787	0.9733
0.3949	36.91	185	0.1787	0.9733
0.3949	37.91	190	0.1787	0.9733
0.3949	38.91	195	0.1787	0.9733
0.423	39.91	200	0.1787	0.9733
0.423	40.91	205	0.1787	0.9733
0.423	41.91	210	0.1787	0.9733
0.423	42.91	215	0.1787	0.9733
0.3761	43.91	220	0.1787	0.9733
0.3761	44.91	225	0.1787	0.9733
0.3761	45.91	230	0.1787	0.9733
0.3761	46.91	235	0.1787	0.9733
0.3673	47.91	240	0.1787	0.9733
0.3673	48.91	245	0.1787	0.9733
0.3673	49.91	250	0.1787	0.9733
0.3673	50.91	255	0.1787	0.9733
0.3639	51.91	260	0.1787	0.9733
0.3639	52.91	265	0.1787	0.9733
0.3639	53.91	270	0.1787	0.9733
0.3639	54.91	275	0.1787	0.9733
0.4031	55.91	280	0.1787	0.9733
0.4031	56.91	285	0.1787	0.9733
0.4031	57.91	290	0.1787	0.9733
0.4031	58.91	295	0.1787	0.9733
0.3787	59.91	300	0.1787	0.9733