Segformer B2 Finetuned Ade 512 512 Corm
模型概述
該模型是SegFormer-B2架構的變體,專門用於語義圖像分割任務,在未知數據集上微調後表現出色,特別在球莖和損傷區域的分割上具有高準確率
模型特點
高精度分割
在評估集上達到0.9264的平均交併比和0.9599的平均準確率
多類別識別
能夠準確區分背景、球莖和損傷三類目標
優化訓練
使用線性學習率調度和預熱策略進行40輪精細調優
模型能力
圖像語義分割
多類別像素級分類
高分辨率圖像處理(512x512)
使用案例
農業圖像分析
作物病害檢測
識別和分割作物圖像中的病害區域
損傷區域分割準確率達94.56%
植物學研究
植物器官分析
精確分割植物球莖等器官結構
球莖分割準確率達93.62%
🚀 segformer-b2-finetuned-ade-512-512_corm
本模型是基於計算機視覺領域的圖像分割模型,它在基礎模型上進行了微調,能夠在圖像分割任務中取得較好的效果,為圖像分析和處理提供了有力的支持。
🚀 快速開始
此模型是 nvidia/segformer-b2-finetuned-ade-512-512 在 None 數據集上的微調版本。它在評估集上取得了以下結果:
- 損失值:0.0415
- 平均交併比(Mean Iou):0.9264
- 平均準確率(Mean Accuracy):0.9599
- 整體準確率(Overall Accuracy):0.9860
- 背景準確率(Accuracy Background):0.9978
- 珊瑚準確率(Accuracy Corm):0.9362
- 損傷準確率(Accuracy Damage):0.9456
- 背景交併比(Iou Background):0.9942
- 珊瑚交併比(Iou Corm):0.8799
- 損傷交併比(Iou Damage):0.9052
🔧 技術細節
訓練超參數
訓練過程中使用了以下超參數:
- 學習率(learning_rate):6e - 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,其中 betas = (0.9, 0.999),epsilon = 1e - 08
- 學習率調度器類型(lr_scheduler_type):線性
- 學習率調度器預熱比例(lr_scheduler_warmup_ratio):0.05
- 訓練輪數(num_epochs):40
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 | 整體準確率 | 背景準確率 | 珊瑚準確率 | 損傷準確率 | 背景交併比 | 珊瑚交併比 | 損傷交併比 |
---|---|---|---|---|---|---|---|---|---|---|---|---|
0.8746 | 0.9524 | 20 | 0.8170 | 0.4637 | 0.6489 | 0.8404 | 0.9133 | 0.0390 | 0.9944 | 0.9132 | 0.0327 | 0.4451 |
0.61 | 1.9048 | 40 | 0.4500 | 0.7608 | 0.8748 | 0.9451 | 0.9731 | 0.6946 | 0.9566 | 0.9730 | 0.6023 | 0.7071 |
0.3681 | 2.8571 | 60 | 0.2802 | 0.8597 | 0.9314 | 0.9711 | 0.9879 | 0.8621 | 0.9443 | 0.9873 | 0.7716 | 0.8201 |
0.2433 | 3.8095 | 80 | 0.2201 | 0.8866 | 0.9456 | 0.9774 | 0.9916 | 0.9159 | 0.9293 | 0.9904 | 0.8181 | 0.8513 |
0.1669 | 4.7619 | 100 | 0.1607 | 0.8891 | 0.9431 | 0.9783 | 0.9930 | 0.8723 | 0.9640 | 0.9915 | 0.8178 | 0.8580 |
0.1484 | 5.7143 | 120 | 0.1250 | 0.9017 | 0.9489 | 0.9812 | 0.9964 | 0.9423 | 0.9080 | 0.9932 | 0.8432 | 0.8688 |
0.1126 | 6.6667 | 140 | 0.1024 | 0.9092 | 0.9524 | 0.9827 | 0.9962 | 0.9247 | 0.9363 | 0.9934 | 0.8539 | 0.8804 |
0.0909 | 7.6190 | 160 | 0.0932 | 0.9017 | 0.9492 | 0.9813 | 0.9968 | 0.9563 | 0.8944 | 0.9935 | 0.8445 | 0.8670 |
0.0994 | 8.5714 | 180 | 0.0803 | 0.9122 | 0.9527 | 0.9833 | 0.9967 | 0.9118 | 0.9495 | 0.9936 | 0.8568 | 0.8861 |
0.0768 | 9.5238 | 200 | 0.0716 | 0.9147 | 0.9533 | 0.9838 | 0.9975 | 0.9247 | 0.9376 | 0.9937 | 0.8615 | 0.8889 |
0.0749 | 10.4762 | 220 | 0.0671 | 0.9177 | 0.9550 | 0.9844 | 0.9973 | 0.9191 | 0.9487 | 0.9939 | 0.8661 | 0.8932 |
0.0663 | 11.4286 | 240 | 0.0668 | 0.9097 | 0.9528 | 0.9829 | 0.9973 | 0.9528 | 0.9083 | 0.9939 | 0.8558 | 0.8795 |
0.0725 | 12.3810 | 260 | 0.0608 | 0.9189 | 0.9554 | 0.9847 | 0.9974 | 0.9123 | 0.9564 | 0.9940 | 0.8677 | 0.8951 |
0.0594 | 13.3333 | 280 | 0.0588 | 0.9167 | 0.9533 | 0.9843 | 0.9975 | 0.9000 | 0.9625 | 0.9940 | 0.8622 | 0.8940 |
0.062 | 14.2857 | 300 | 0.0552 | 0.9201 | 0.9565 | 0.9849 | 0.9972 | 0.9170 | 0.9553 | 0.9941 | 0.8691 | 0.8970 |
0.0535 | 15.2381 | 320 | 0.0543 | 0.9195 | 0.9559 | 0.9848 | 0.9972 | 0.9078 | 0.9626 | 0.9942 | 0.8683 | 0.8962 |
0.0555 | 16.1905 | 340 | 0.0517 | 0.9212 | 0.9566 | 0.9851 | 0.9973 | 0.9113 | 0.9612 | 0.9942 | 0.8704 | 0.8990 |
0.0553 | 17.1429 | 360 | 0.0513 | 0.9198 | 0.9553 | 0.9849 | 0.9975 | 0.9047 | 0.9638 | 0.9942 | 0.8679 | 0.8974 |
0.0572 | 18.0952 | 380 | 0.0501 | 0.9219 | 0.9563 | 0.9853 | 0.9977 | 0.9108 | 0.9603 | 0.9942 | 0.8713 | 0.9002 |
0.0503 | 19.0476 | 400 | 0.0483 | 0.9245 | 0.9573 | 0.9856 | 0.9981 | 0.9212 | 0.9525 | 0.9940 | 0.8757 | 0.9037 |
0.0539 | 20.0 | 420 | 0.0474 | 0.9245 | 0.9593 | 0.9857 | 0.9974 | 0.9309 | 0.9497 | 0.9942 | 0.8769 | 0.9024 |
0.0542 | 20.9524 | 440 | 0.0484 | 0.9202 | 0.9575 | 0.9849 | 0.9978 | 0.9511 | 0.9235 | 0.9941 | 0.8718 | 0.8949 |
0.033 | 21.9048 | 460 | 0.0478 | 0.9209 | 0.9576 | 0.9850 | 0.9977 | 0.9464 | 0.9287 | 0.9941 | 0.8726 | 0.8961 |
0.0421 | 22.8571 | 480 | 0.0452 | 0.9247 | 0.9591 | 0.9857 | 0.9974 | 0.9244 | 0.9555 | 0.9942 | 0.8766 | 0.9033 |
0.0472 | 23.8095 | 500 | 0.0455 | 0.9243 | 0.9583 | 0.9857 | 0.9976 | 0.9231 | 0.9543 | 0.9942 | 0.8759 | 0.9028 |
0.0381 | 24.7619 | 520 | 0.0456 | 0.9233 | 0.9570 | 0.9855 | 0.9977 | 0.9109 | 0.9625 | 0.9942 | 0.8732 | 0.9026 |
0.0486 | 25.7143 | 540 | 0.0444 | 0.9249 | 0.9593 | 0.9857 | 0.9978 | 0.9408 | 0.9394 | 0.9941 | 0.8780 | 0.9026 |
0.0501 | 26.6667 | 560 | 0.0458 | 0.9208 | 0.9579 | 0.9850 | 0.9977 | 0.9508 | 0.9252 | 0.9942 | 0.8725 | 0.8957 |
0.0343 | 27.6190 | 580 | 0.0436 | 0.9251 | 0.9594 | 0.9857 | 0.9978 | 0.9413 | 0.9391 | 0.9941 | 0.8782 | 0.9031 |
0.0407 | 28.5714 | 600 | 0.0434 | 0.9251 | 0.9597 | 0.9858 | 0.9977 | 0.9416 | 0.9396 | 0.9942 | 0.8784 | 0.9028 |
0.0419 | 29.5238 | 620 | 0.0445 | 0.9221 | 0.9586 | 0.9852 | 0.9977 | 0.9496 | 0.9285 | 0.9942 | 0.8743 | 0.8978 |
0.0506 | 30.4762 | 640 | 0.0425 | 0.9262 | 0.9593 | 0.9860 | 0.9978 | 0.9311 | 0.9491 | 0.9942 | 0.8791 | 0.9053 |
0.0422 | 31.4286 | 660 | 0.0424 | 0.9262 | 0.9595 | 0.9860 | 0.9977 | 0.9267 | 0.9540 | 0.9942 | 0.8790 | 0.9054 |
0.0362 | 32.3810 | 680 | 0.0425 | 0.9258 | 0.9600 | 0.9859 | 0.9977 | 0.9402 | 0.9421 | 0.9942 | 0.8793 | 0.9039 |
0.0437 | 33.3333 | 700 | 0.0424 | 0.9262 | 0.9599 | 0.9860 | 0.9978 | 0.9377 | 0.9441 | 0.9942 | 0.8796 | 0.9047 |
0.0363 | 34.2857 | 720 | 0.0415 | 0.9264 | 0.9602 | 0.9860 | 0.9976 | 0.9367 | 0.9463 | 0.9942 | 0.8800 | 0.9049 |
0.039 | 35.2381 | 740 | 0.0421 | 0.9267 | 0.9596 | 0.9861 | 0.9978 | 0.9290 | 0.9521 | 0.9942 | 0.8798 | 0.9060 |
0.0425 | 36.1905 | 760 | 0.0418 | 0.9259 | 0.9598 | 0.9859 | 0.9978 | 0.9391 | 0.9426 | 0.9942 | 0.8794 | 0.9040 |
0.0462 | 37.1429 | 780 | 0.0417 | 0.9267 | 0.9600 | 0.9861 | 0.9976 | 0.9311 | 0.9513 | 0.9942 | 0.8801 | 0.9057 |
0.0466 | 38.0952 | 800 | 0.0416 | 0.9261 | 0.9599 | 0.9860 | 0.9978 | 0.9392 | 0.9427 | 0.9942 | 0.8795 | 0.9045 |
0.0428 | 39.0476 | 820 | 0.0414 | 0.9266 | 0.9598 | 0.9861 | 0.9978 | 0.9323 | 0.9494 | 0.9942 | 0.8800 | 0.9057 |
0.04 | 40.0 | 840 | 0.0415 | 0.9264 | 0.9599 | 0.9860 | 0.9978 | 0.9362 | 0.9456 | 0.9942 | 0.8799 | 0.9052 |
框架版本
- Transformers 4.44.1
- Pytorch 2.6.0 + cpu
- Datasets 2.21.0
- Tokenizers 0.19.1
📄 許可證
該項目使用的許可證為其他類型許可證。
Clipseg Rd64 Refined
Apache-2.0
CLIPSeg是一種基於文本與圖像提示的圖像分割模型,支持零樣本和單樣本圖像分割任務。
圖像分割
Transformers

C
CIDAS
10.0M
122
RMBG 1.4
其他
BRIA RMBG v1.4 是一款先進的背景移除模型,專為高效分離各類圖像的前景與背景而設計,適用於非商業用途。
圖像分割
Transformers

R
briaai
874.12k
1,771
RMBG 2.0
其他
BRIA AI開發的最新背景移除模型,能有效分離各類圖像的前景與背景,適合大規模商業內容創作場景。
圖像分割
Transformers

R
briaai
703.33k
741
Segformer B2 Clothes
MIT
基於ATR數據集微調的SegFormer模型,用於服裝和人體分割
圖像分割
Transformers

S
mattmdjaga
666.39k
410
Sam Vit Base
Apache-2.0
SAM是一個能夠通過輸入提示(如點或框)生成高質量對象掩碼的視覺模型,支持零樣本分割任務
圖像分割
Transformers 其他

S
facebook
635.09k
137
Birefnet
MIT
BiRefNet是一個用於高分辨率二分圖像分割的深度學習模型,通過雙邊參考網絡實現精確的圖像分割。
圖像分割
Transformers

B
ZhengPeng7
626.54k
365
Segformer B1 Finetuned Ade 512 512
其他
SegFormer是一種基於Transformer的語義分割模型,在ADE20K數據集上進行了微調,適用於圖像分割任務。
圖像分割
Transformers

S
nvidia
560.79k
6
Sam Vit Large
Apache-2.0
SAM是一個能夠通過輸入提示點或邊界框生成高質量物體掩膜的視覺模型,具備零樣本遷移能力。
圖像分割
Transformers 其他

S
facebook
455.43k
28
Face Parsing
基於nvidia/mit-b5微調的語義分割模型,用於面部解析任務
圖像分割
Transformers 英語

F
jonathandinu
398.59k
157
Sam Vit Huge
Apache-2.0
SAM是一個能夠根據輸入提示生成高質量對象掩碼的視覺模型,支持零樣本遷移到新任務
圖像分割
Transformers 其他

S
facebook
324.78k
163
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98