ecc_segformer_main開源圖像分割模型 - 免費部署，精準檢測裂縫問題

Home

Ecc Segformer Main

Developed by rishitunu

基於nvidia/mit-b5微調的圖像分割模型，用於裂縫檢測任務

圖像分割

Transformers

Open Source License:Other #裂縫檢測 #建築結構分析 #高精度分割

Downloads 15

Release Time : 8/28/2023

Model Overview

該模型是基於SegFormer架構的圖像分割模型，專門用於工程裂縫檢測。在評估集上表現出良好的裂縫識別能力。

Model Features

裂縫檢測能力

專門針對工程裂縫檢測任務進行優化，在評估集上裂縫交併比達到0.4658

SegFormer架構

基於高效的SegFormer架構，採用mit-b5作為backbone

Model Capabilities

圖像分割

裂縫檢測

工程結構健康監測

Use Cases

基礎設施檢測

混凝土結構裂縫檢測

用於檢測建築物、橋樑等混凝土結構中的裂縫

裂縫準確率0.4658

🚀 ecc_segformer_main

該模型是基於nvidia/mit-b5在rishitunu/ecc_crackdetector_dataset_main數據集上進行微調的版本。它在評估集上取得了以下結果，可用於圖像分割等視覺相關任務，為相關領域的研究和應用提供了有力支持。

🚀 快速開始

該模型是 nvidia/mit-b5 在 rishitunu/ecc_crackdetector_dataset_main 數據集上的微調版本。它在評估集上達到了以下結果：

損失值：0.1918
平均交併比（Mean Iou）：0.2329
平均準確率：0.4658
總體準確率：0.4658
背景準確率：nan
裂縫準確率：0.4658
背景交併比：0.0
裂縫交併比：0.4658

📚 詳細文檔

訓練和評估數據

更多信息待補充。

訓練過程

訓練超參數

訓練期間使用了以下超參數：

學習率：6e - 05
訓練批次大小：2
評估批次大小：2
隨機種子：1337
優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
學習率調度器類型：多項式
訓練步數：10000

訓練結果

訓練損失	輪數	步數	驗證損失	平均交併比	平均準確率	總體準確率	背景準確率	裂縫準確率	裂縫交併比
0.1069	1.0	172	0.1376	0.1660	0.3320	0.3320	nan	0.3320	0.3320
0.0682	2.0	344	0.1327	0.2298	0.4596	0.4596	nan	0.4596	0.4596
0.0666	3.0	516	0.2478	0.1200	0.2401	0.2401	nan	0.2401	0.2401
0.0639	4.0	688	0.1732	0.1538	0.3076	0.3076	nan	0.3076	0.3076
0.0624	5.0	860	0.1027	0.2334	0.4668	0.4668	nan	0.4668	0.4668
0.0557	6.0	1032	0.1003	0.1851	0.3703	0.3703	nan	0.3703	0.3703
0.0563	7.0	1204	0.1512	0.2007	0.4014	0.4014	nan	0.4014	0.4014
0.054	8.0	1376	0.1000	0.2401	0.4802	0.4802	nan	0.4802	0.4802
0.0546	9.0	1548	0.0933	0.2238	0.4475	0.4475	nan	0.4475	0.4475
0.0498	10.0	1720	0.0964	0.2303	0.4606	0.4606	nan	0.4606	0.4606
0.0515	11.0	1892	0.1107	0.2258	0.4516	0.4516	nan	0.4516	0.4516
0.0453	12.0	2064	0.0961	0.2557	0.5115	0.5115	nan	0.5115	0.5115
0.0431	13.0	2236	0.1027	0.2396	0.4792	0.4792	nan	0.4792	0.4792
0.0418	14.0	2408	0.1027	0.2521	0.5042	0.5042	nan	0.5042	0.5042
0.0426	15.0	2580	0.1059	0.2561	0.5123	0.5123	nan	0.5123	0.5123
0.0377	16.0	2752	0.1193	0.2281	0.4561	0.4561	nan	0.4561	0.4561
0.0369	17.0	2924	0.1161	0.2486	0.4972	0.4972	nan	0.4972	0.4972
0.036	18.0	3096	0.1058	0.2515	0.5029	0.5029	nan	0.5029	0.5029
0.034	19.0	3268	0.1176	0.2434	0.4868	0.4868	nan	0.4868	0.4868
0.0337	20.0	3440	0.1162	0.2254	0.4509	0.4509	nan	0.4509	0.4509
0.0281	21.0	3612	0.1203	0.2213	0.4426	0.4426	nan	0.4426	0.4426
0.0354	22.0	3784	0.1266	0.2384	0.4768	0.4768	nan	0.4768	0.4768
0.0323	23.0	3956	0.1223	0.2409	0.4818	0.4818	nan	0.4818	0.4818
0.0299	24.0	4128	0.1356	0.2195	0.4390	0.4390	nan	0.4390	0.4390
0.0294	25.0	4300	0.1285	0.2318	0.4636	0.4636	nan	0.4636	0.4636
0.0295	26.0	4472	0.1274	0.2559	0.5119	0.5119	nan	0.5119	0.5119
0.0252	27.0	4644	0.1387	0.2413	0.4827	0.4827	nan	0.4827	0.4827
0.029	28.0	4816	0.1468	0.2236	0.4472	0.4472	nan	0.4472	0.4472
0.0218	29.0	4988	0.1448	0.2433	0.4866	0.4866	nan	0.4866	0.4866
0.0275	30.0	5160	0.1478	0.2318	0.4635	0.4635	nan	0.4635	0.4635
0.0233	31.0	5332	0.1377	0.2502	0.5005	0.5005	nan	0.5005	0.5005
0.0252	32.0	5504	0.1458	0.2399	0.4797	0.4797	nan	0.4797	0.4797
0.0245	33.0	5676	0.1431	0.2480	0.4960	0.4960	nan	0.4960	0.4960
0.0225	34.0	5848	0.1562	0.2439	0.4879	0.4879	nan	0.4879	0.4879
0.0242	35.0	6020	0.1633	0.2323	0.4646	0.4646	nan	0.4646	0.4646
0.0213	36.0	6192	0.1666	0.2274	0.4549	0.4549	nan	0.4549	0.4549
0.0256	37.0	6364	0.1665	0.2340	0.4680	0.4680	nan	0.4680	0.4680
0.0237	38.0	6536	0.1658	0.2410	0.4819	0.4819	nan	0.4819	0.4819
0.0192	39.0	6708	0.1705	0.2286	0.4572	0.4572	nan	0.4572	0.4572
0.0198	40.0	6880	0.1688	0.2322	0.4644	0.4644	nan	0.4644	0.4644
0.0214	41.0	7052	0.1717	0.2315	0.4630	0.4630	nan	0.4630	0.4630
0.0197	42.0	7224	0.1764	0.2338	0.4677	0.4677	nan	0.4677	0.4677
0.0187	43.0	7396	0.1764	0.2437	0.4874	0.4874	nan	0.4874	0.4874
0.0212	44.0	7568	0.1874	0.2259	0.4519	0.4519	nan	0.4519	0.4519
0.0188	45.0	7740	0.1854	0.2362	0.4725	0.4725	nan	0.4725	0.4725
0.0188	46.0	7912	0.1772	0.2320	0.4641	0.4641	nan	0.4641	0.4641
0.0228	47.0	8084	0.1783	0.2385	0.4770	0.4770	nan	0.4770	0.4770
0.0199	48.0	8256	0.1850	0.2317	0.4634	0.4634	nan	0.4634	0.4634
0.0202	49.0	8428	0.1872	0.2336	0.4672	0.4672	nan	0.4672	0.4672
0.0181	50.0	8600	0.1803	0.2405	0.4810	0.4810	nan	0.4810	0.4810
0.0157	51.0	8772	0.1874	0.2349	0.4697	0.4697	nan	0.4697	0.4697
0.0162	52.0	8944	0.1889	0.2332	0.4665	0.4665	nan	0.4665	0.4665
0.0178	53.0	9116	0.1948	0.2357	0.4715	0.4715	nan	0.4715	0.4715
0.0166	54.0	9288	0.1911	0.2333	0.4666	0.4666	nan	0.4666	0.4666
0.0193	55.0	9460	0.1959	0.2306	0.4611	0.4611	nan	0.4611	0.4611
0.0199	56.0	9632	0.1999	0.2330	0.4659	0.4659	nan	0.4659	0.4659
0.0177	57.0	9804	0.1943	0.2319	0.4639	0.4639	nan	0.4639	0.4639
0.019	58.0	9976	0.1926	0.2327	0.4653	0.4653	nan	0.4653	0.4653
0.0187	58.14	10000	0.1918	0.2329	0.4658	0.4658	nan	0.4658	0.4658