segformer-b4-wall開源視覺分割模型 - 精準高效實現牆面圖像分割任務

首頁

Segformer B4 Wall

由leftattention開發

基於SegFormer架構的視覺分割模型，專門用於牆面圖像分割任務，在評估集上取得了較高的準確率和IoU指標。

圖像分割

Transformers

#高精度圖像分割 #牆面識別 #即時語義分割

下載量 18

發布時間 : 6/25/2024

模型概述

該模型是基於SegFormer-B4架構訓練的視覺分割模型，主要用於牆面圖像的分割任務。模型在評估集上表現出色，平均準確率達到94.48%，平均IoU達到89.93%。

模型特點

高精度分割

在評估集上達到94.48%的平均準確率和89.93%的平均IoU，表現出優秀的分割性能

高效訓練

使用Adam優化器和線性學習率調度器，在50個訓練輪次內快速收斂

穩定性能

訓練過程中驗證指標穩定，表明模型具有良好的泛化能力

模型能力

牆面圖像分割

像素級分類

視覺場景理解

使用案例

建築行業

牆面狀況評估

自動分割牆面區域，用於建築質量檢測和維護

可準確識別牆面區域，為後續分析提供基礎

室內設計

牆面裝飾規劃

精確分割牆面區域，輔助室內裝飾設計和規劃

🚀 segformer-b4-wall

segformer-b4-wall 是一個用於圖像分割的模型，該模型在特定數據集上從頭開始訓練，在評估集上取得了較好的效果，具備較高的準確率和交併比。

🚀 快速開始

此模型在評估集上取得了以下結果：

損失值：0.1537
平均準確率：0.9448
平均交併比：0.8993
總體準確率：0.9558
每類準確率：[0.9648476610683054, 0.9680509025433003, 0.9015647356112896, nan]
每類交併比：[0.9294668192886654, 0.9344825387850888, 0.8340281823830938, nan]

🔧 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：6e - 05
訓練批次大小：64
評估批次大小：64
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：50

訓練結果

訓練損失	輪數	步數	驗證損失	平均準確率	平均交併比	總體準確率	每類準確率	每類交併比
0.1398	5.3476	1000	0.1477	0.9424	0.8733	0.9420	[0.9375947027923643, 0.962438818648652, 0.9270677962243152, nan]	[0.9071928258269675, 0.9154732958813474, 0.7971633247503161, nan]
0.1114	10.6952	2000	0.1329	0.9426	0.8878	0.9498	[0.9551513266050631, 0.9606741248023447, 0.9120448217426163, nan]	[0.9197608920879746, 0.9255854097692368, 0.818153830444766, nan]
0.0683	16.0428	3000	0.1353	0.9473	0.8921	0.9516	[0.9527839457434386, 0.9691455504455139, 0.9198476394516605, nan]	[0.922537499674425, 0.926305870761282, 0.8273726843249476, nan]
0.0753	21.3904	4000	0.1311	0.9437	0.8959	0.9540	[0.9633835386385788, 0.9611760655179852, 0.9066569940696604, nan]	[0.9267602358926313, 0.9312805978213234, 0.8297698871401628, nan]
0.0505	26.7380	5000	0.1397	0.9442	0.8971	0.9545	[0.9627544499461427, 0.967327419780526, 0.9024453947068249, nan]	[0.9272910775593762, 0.9304849186604474, 0.8333807013974415, nan]
0.0427	32.0856	6000	0.1414	0.9455	0.8992	0.9555	[0.9640187847053339, 0.9652081246861538, 0.9074073950598316, nan]	[0.9289147168722637, 0.9321577805497577, 0.8366507705917902, nan]
0.0556	37.4332	7000	0.1477	0.9452	0.8984	0.9552	[0.9629165900233977, 0.9697602413261539, 0.9029026554269718, nan]	[0.9285106797857617, 0.9331322728249959, 0.833620894806762, nan]
0.0424	42.7807	8000	0.1484	0.9439	0.8990	0.9557	[0.9653151526182964, 0.96949089540134, 0.8967977175922358, nan]	[0.9292691886525306, 0.9343666443212755, 0.83323737535253, nan]
0.053	48.1283	9000	0.1537	0.9448	0.8993	0.9558	[0.9648476610683054, 0.9680509025433003, 0.9015647356112896, nan]	[0.9294668192886654, 0.9344825387850888, 0.8340281823830938, nan]