Vit Base Patch16 224 In21k Lung And Colon Cancer

🚀 vit-base-patch16-224-in21k_lung_and_colon_cancer

本模型是一個圖像分類模型，基於 google/vit-base-patch16-224-in21k 進行微調，可用於肺癌和結腸癌的多分類圖像識別，在評估集上表現出色。

🚀 快速開始

本模型是 google/vit-base-patch16-224-in21k 的微調版本。

它在評估集上取得了以下結果：

• 損失率：0.0016
• 準確率：0.9994
• F1值
  • 加權：0.9994
  • 微平均：0.9994
  • 宏平均：0.9994
• 召回率
  • 加權：0.9994
  • 微平均：0.9994
  • 宏平均：0.9994
• 精確率
  • 加權：0.9994
  • 微平均：0.9994
  • 宏平均：0.9994

✨ 主要特性

• 高精度：在評估集上準確率達到 0.9994，各項指標表現優異。
• 多分類能力：能夠對肺癌和結腸癌進行多分類圖像識別。

📚 詳細文檔

模型描述

這是一個用於肺癌和結腸癌的多分類圖像分類模型。

有關其創建方式的更多信息，請查看以下鏈接：https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Image%20Classification/Multiclass%20Classification/Lung%20%26%20Colon%20Cancer/Lung_and_colon_cancer_ViT.ipynb

預期用途與限制

本模型旨在展示使用技術解決複雜問題的能力。

訓練和評估數據

數據集來源：https://www.kaggle.com/datasets/andrewmvd/lung-and-colon-cancer-histopathological-images

數據集中的示例圖像:

訓練過程

訓練超參數

訓練期間使用了以下超參數：

• 學習率：0.0002
• 訓練批次大小：16
• 評估批次大小：8
• 隨機種子：42
• 優化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
• 學習率調度器類型：線性
• 訓練輪數：3

訓練結果

框架版本

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

📄 許可證

本模型採用 Apache-2.0 許可證。

📋 信息表格