detr_finetuned_candy開源目標檢測模型 - 精準識別糖果相關目標

首頁

Detr Finetuned Candy

由sahand1開發

基於microsoft/conditional-detr-resnet-50微調的目標檢測模型，在糖果相關數據集上訓練

目標檢測

Transformers

開源協議:Apache-2.0 #糖果圖案檢測 #小目標識別 #圖像微調模型

下載量 16

發布時間 : 11/6/2024

模型概述

該模型是基於Conditional DETR架構的目標檢測模型，專門針對糖果相關物體進行了微調。能夠檢測包括貓、星星、昆蟲、月亮、貓頭鷹和獨角獸等多種物體。

模型特點

基於Conditional DETR架構

採用先進的Conditional DETR架構，結合ResNet-50骨幹網絡，提供高效的目標檢測能力

糖果相關物體檢測

專門針對糖果包裝或相關場景中的物體進行了優化和微調

多類別檢測

能夠檢測包括貓、星星、昆蟲、月亮、貓頭鷹和獨角獸等多種物體

模型能力

目標檢測

多類別識別

圖像分析

使用案例

食品包裝檢測

糖果包裝質量檢測

檢測糖果包裝上的圖案和標誌是否正確

教育應用

兒童認知輔助

幫助兒童識別糖果包裝上的各種圖案

🚀 detr_finetuned_candy

該模型是 microsoft/conditional-detr-resnet-50 在 imagefolder 數據集上的微調版本。它在圖像目標檢測任務中，基於預訓練模型進行了針對性優化，以適應特定數據集的特徵，從而提升檢測性能。

🚀 快速開始

此模型是在 imagefolder 數據集上對 microsoft/conditional-detr-resnet-50 進行微調得到的。它在評估集上取得了以下結果：

損失值（Loss）：2.2689
平均精度均值（Map）：0.007
50% 交併比下的平均精度均值（Map 50）：0.0117
75% 交併比下的平均精度均值（Map 75）：0.0077
小目標的平均精度均值（Map Small）：0.0065
中等目標的平均精度均值（Map Medium）：0.0184
大目標的平均精度均值（Map Large）：-1.0
每個圖像一個檢測框的平均召回率（Mar 1）：0.0
每個圖像 10 個檢測框的平均召回率（Mar 10）：0.1143
每個圖像 100 個檢測框的平均召回率（Mar 100）：0.2286
小目標每個圖像 100 個檢測框的平均召回率（Mar Small）：0.2
中等目標每個圖像 100 個檢測框的平均召回率（Mar Medium）：0.24
大目標每個圖像 100 個檢測框的平均召回率（Mar Large）：-1.0
黑色星星類別的平均精度均值（Map Black Star）：0.0
黑色星星類別每個圖像 100 個檢測框的平均召回率（Mar 100 Black Star）：0.0
貓類別的平均精度均值（Map Cat）：0.0381
貓類別每個圖像 100 個檢測框的平均召回率（Mar 100 Cat）：0.8
灰色星星類別的平均精度均值（Map Grey Star）：0.0034
灰色星星類別每個圖像 100 個檢測框的平均召回率（Mar 100 Grey Star）：0.4
昆蟲類別的平均精度均值（Map Insect）：0.0
昆蟲類別每個圖像 100 個檢測框的平均召回率（Mar 100 Insect）：0.0
月亮類別的平均精度均值（Map Moon）：0.0
月亮類別每個圖像 100 個檢測框的平均召回率（Mar 100 Moon）：0.0
貓頭鷹類別的平均精度均值（Map Owl）：0.0
貓頭鷹類別每個圖像 100 個檢測框的平均召回率（Mar 100 Owl）：0.0
獨角獸頭類別的平均精度均值（Map Unicorn Head）：0.0077
獨角獸頭類別每個圖像 100 個檢測框的平均召回率（Mar 100 Unicorn Head）：0.4
獨角獸整體類別的平均精度均值（Map Unicorn Whole）：-1.0
獨角獸整體類別每個圖像 100 個檢測框的平均召回率（Mar 100 Unicorn Whole）：-1.0

📚 詳細文檔

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

屬性	詳情
學習率（learning_rate）	5e-05
訓練批次大小（train_batch_size）	8
評估批次大小（eval_batch_size）	8
隨機種子（seed）	42
優化器（optimizer）	Adam（β1=0.9，β2=0.999，ε=1e-08）
學習率調度器類型（lr_scheduler_type）	餘弦退火（cosine）
訓練輪數（num_epochs）	100

訓練結果

訓練損失（Training Loss）	輪數（Epoch）	步數（Step）	驗證損失（Validation Loss）	平均精度均值（Map）	50% 交併比下的平均精度均值（Map 50）	75% 交併比下的平均精度均值（Map 75）	小目標的平均精度均值（Map Small）	中等目標的平均精度均值（Map Medium）	大目標的平均精度均值（Map Large）	每個圖像一個檢測框的平均召回率（Mar 1）	每個圖像 10 個檢測框的平均召回率（Mar 10）	每個圖像 100 個檢測框的平均召回率（Mar 100）	小目標每個圖像 100 個檢測框的平均召回率（Mar Small）	中等目標每個圖像 100 個檢測框的平均召回率（Mar Medium）	大目標每個圖像 100 個檢測框的平均召回率（Mar Large）	黑色星星類別的平均精度均值（Map Black Star）	黑色星星類別每個圖像 100 個檢測框的平均召回率（Mar 100 Black Star）	貓類別的平均精度均值（Map Cat）	貓類別每個圖像 100 個檢測框的平均召回率（Mar 100 Cat）	灰色星星類別的平均精度均值（Map Grey Star）	灰色星星類別每個圖像 100 個檢測框的平均召回率（Mar 100 Grey Star）	昆蟲類別的平均精度均值（Map Insect）	昆蟲類別每個圖像 100 個檢測框的平均召回率（Mar 100 Insect）	月亮類別的平均精度均值（Map Moon）	月亮類別每個圖像 100 個檢測框的平均召回率（Mar 100 Moon）	貓頭鷹類別的平均精度均值（Map Owl）	貓頭鷹類別每個圖像 100 個檢測框的平均召回率（Mar 100 Owl）	獨角獸頭類別的平均精度均值（Map Unicorn Head）	獨角獸頭類別每個圖像 100 個檢測框的平均召回率（Mar 100 Unicorn Head）	獨角獸整體類別的平均精度均值（Map Unicorn Whole）	獨角獸整體類別每個圖像 100 個檢測框的平均召回率（Mar 100 Unicorn Whole）
無日誌（No log）	1.0	1	43.4627	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.0
無日誌（No log）	2.0	2	38.1840	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
無日誌（No log）	39.0	39	3.0267	0.0056	0.0096	0.0053	0.0	0.0095	-1.0	0.0	0.1143	0.1571	0.0	0.22	-1.0	0.0	0.0	0.0296	0.8	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0097	0.3	-1.0	-1.0
無日誌（No log）	40.0	40	3.0128	0.0059	0.0096	0.0049	0.0	0.0095	-1.0	0.0	0.1286	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...