segformer-b0-finetuned-morphpadver1-hgo-3開源圖像分割模型

首頁

Segformer B0 Finetuned Morphpadver1 Hgo 3

由NICOPOI-9開發

基於nvidia/mit-b0微調的圖像分割模型，在NICOPOI-9/morphpad_hgo_512_4class數據集上訓練，擅長高精度圖像分割任務。

圖像分割

Transformers

開源協議:其他 #高精度圖像分割 #醫療影像分析 #MIT-B0微調

下載量 30

發布時間 : 2/21/2025

模型概述

該模型是SegFormer架構的輕量級實現，專門用於圖像分割任務。經過在特定數據集上的微調，能夠準確識別和分割圖像中的不同區域。

模型特點

高精度分割

在評估集上達到0.978的平均交併比和0.9889的平均準確率，表現優異。

輕量級架構

基於SegFormer-B0架構，在保持性能的同時降低計算資源需求。

多角度適應

模型在不同角度(0-0,0-90,90-0,90-90)的圖像上都表現穩定，準確率差異小。

模型能力

圖像分割

像素級分類

多類別識別

使用案例

醫學圖像分析

組織分割

用於醫學圖像中特定組織的識別和分割

工業檢測

缺陷檢測

識別產品表面的缺陷區域

🚀 segformer-b0-finetuned-morphpadver1-hgo-3

本模型是在NICOPOI - 9/morphpad_hgo_512_4class數據集上對nvidia/mit-b0進行微調後的版本。它在評估集上取得了以下結果：

損失值：0.0870
平均交併比（Mean Iou）：0.9780
平均準確率：0.9889
總體準確率：0.9888
0 - 0準確率：0.9913
0 - 90準確率：0.9886
90 - 0準確率：0.9892
90 - 90準確率：0.9863
0 - 0交併比：0.9811
0 - 90交併比：0.9785
90 - 0交併比：0.9754
90 - 90交併比：0.9771

🚀 快速開始

該模型是基於transformers庫微調得到的，可用於圖像分割任務。你可以根據自己的需求使用該模型進行推理或進一步微調。

🔧 技術細節

訓練超參數

在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）：1
評估批次大小（eval_batch_size）：1
隨機種子（seed）：42
優化器：使用OptimizerNames.ADAMW_TORCH，其中betas=(0.9, 0.999)，epsilon = 1e - 08，無額外優化器參數
學習率調度器類型（lr_scheduler_type）：線性
訓練輪數（num_epochs）：80

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	0 - 0準確率	0 - 90準確率	90 - 0準確率	90 - 90準確率	0 - 0交併比	0 - 90交併比	90 - 0交併比	90 - 90交併比
1.2394	2.5445	4000	1.2392	0.2273	0.3754	0.3738	0.4516	0.3985	0.2299	0.4215	0.2520	0.2205	0.1802	0.2565
1.0858	5.0891	8000	1.0986	0.2889	0.4462	0.4463	0.4510	0.3646	0.5196	0.4498	0.3208	0.2453	0.2792	0.3104
1.0059	7.6336	12000	1.0060	0.3295	0.4934	0.4935	0.4793	0.6104	0.4583	0.4256	0.3472	0.3209	0.3057	0.3442
0.9457	10.1781	16000	0.9497	0.3565	0.5236	0.5240	0.4976	0.6276	0.5356	0.4335	0.3777	0.3459	0.3490	0.3532
0.93	12.7226	20000	0.9072	0.3759	0.5397	0.5412	0.4649	0.6012	0.6437	0.4491	0.4073	0.3550	0.3549	0.3863
0.8403	15.2672	24000	0.8349	0.4263	0.5967	0.5959	0.6497	0.5299	0.6555	0.5517	0.4548	0.4083	0.3976	0.4443
0.8826	17.8117	28000	0.6734	0.5172	0.6784	0.6787	0.6590	0.7037	0.6902	0.6606	0.5517	0.4864	0.4837	0.5469
0.8028	20.3562	32000	0.4582	0.6843	0.8116	0.8120	0.7923	0.7953	0.8322	0.8268	0.6986	0.6686	0.6646	0.7056
0.8461	22.9008	36000	0.2845	0.8071	0.8931	0.8928	0.9089	0.8839	0.8825	0.8971	0.8322	0.7928	0.7850	0.8182
0.7034	25.4453	40000	0.3351	0.7724	0.8716	0.8713	0.8859	0.8680	0.8485	0.8839	0.7928	0.7649	0.7472	0.7849
1.0428	27.9898	44000	0.1882	0.8750	0.9334	0.9331	0.9467	0.9277	0.9323	0.9267	0.8912	0.8673	0.8647	0.8767
0.3497	30.5344	48000	0.1620	0.8982	0.9464	0.9461	0.9582	0.9539	0.9279	0.9455	0.9163	0.8878	0.8840	0.9046
0.0803	33.0789	52000	0.1314	0.9187	0.9577	0.9575	0.9711	0.9517	0.9508	0.9574	0.9300	0.9101	0.9121	0.9224
0.1394	35.6234	56000	0.1271	0.9228	0.9598	0.9597	0.9648	0.9612	0.9530	0.9603	0.9332	0.9163	0.9167	0.9250
0.0579	38.1679	60000	0.1170	0.9351	0.9665	0.9664	0.9723	0.9652	0.9619	0.9665	0.9446	0.9300	0.9282	0.9377
0.1097	40.7125	64000	0.1121	0.9402	0.9690	0.9691	0.9634	0.9748	0.9732	0.9644	0.9477	0.9380	0.9334	0.9416
0.0615	43.2570	68000	0.1069	0.9458	0.9720	0.9721	0.9707	0.9713	0.9777	0.9685	0.9523	0.9424	0.9426	0.9459
0.0425	45.8015	72000	0.0967	0.9540	0.9764	0.9764	0.9789	0.9740	0.9798	0.9729	0.9609	0.9506	0.9514	0.9529
0.0396	48.3461	76000	0.0991	0.9599	0.9795	0.9795	0.9827	0.9766	0.9783	0.9805	0.9656	0.9562	0.9560	0.9617
0.4319	50.8906	80000	0.0975	0.9583	0.9786	0.9787	0.9759	0.9826	0.9769	0.9792	0.9607	0.9566	0.9551	0.9608
0.0299	53.4351	84000	0.0959	0.9662	0.9828	0.9827	0.9858	0.9837	0.9807	0.9811	0.9712	0.9655	0.9637	0.9644
0.0282	55.9796	88000	0.0933	0.9687	0.9841	0.9841	0.9866	0.9830	0.9823	0.9846	0.9729	0.9665	0.9655	0.9698
0.1038	58.5242	92000	0.0864	0.9707	0.9852	0.9851	0.9882	0.9874	0.9842	0.9809	0.9727	0.9709	0.9698	0.9695
0.0246	61.0687	96000	0.0990	0.9722	0.9859	0.9859	0.9885	0.9873	0.9847	0.9832	0.9764	0.9716	0.9706	0.9703
0.0208	63.6132	100000	0.0839	0.9749	0.9873	0.9873	0.9901	0.9897	0.9850	0.9845	0.9781	0.9748	0.9726	0.9743
0.0749	66.1578	104000	0.0874	0.9761	0.9879	0.9879	0.9901	0.9888	0.9875	0.9851	0.9798	0.9757	0.9734	0.9753
0.0798	68.7023	108000	0.0866	0.9753	0.9875	0.9875	0.9908	0.9881	0.9883	0.9830	0.9792	0.9759	0.9722	0.9740
0.1236	71.2468	112000	0.0933	0.9775	0.9886	0.9886	0.9911	0.9895	0.9870	0.9868	0.9813	0.9773	0.9748	0.9765
0.0165	73.7913	116000	0.0894	0.9785	0.9891	0.9891	0.9902	0.9912	0.9867	0.9886	0.9818	0.9782	0.9759	0.9783
0.0204	76.3359	120000	0.0885	0.9792	0.9895	0.9895	0.9909	0.9913	0.9874	0.9884	0.9823	0.9791	0.9766	0.9788
0.7823	78.8804	124000	0.0870	0.9780	0.9889	0.9888	0.9913	0.9886	0.9892	0.9863	0.9811	0.9785	0.9754	0.9771