Segformer B1 Finetuned Tennisdata

🚀 segformer-b1-finetuned-tennisdata

本模型是 nvidia/mit-b0 在 julia-wenkmann/TennisSegmentation 數據集上的微調版本。它在評估集上取得了以下成果，可用於圖像分割相關任務，為視覺領域的研究和應用提供了有力支持。

🚀 快速開始

該模型是基於 nvidia/mit-b0 在特定網球分割數據集上微調得到的。以下是它在評估集上的表現：

• 評估損失（eval_loss）：0.0158
• 評估平均交併比（eval_mean_iou）：0.4994
• 評估平均準確率（eval_mean_accuracy）：0.6483
• 評估總體準確率（eval_overall_accuracy）：0.9915
• 評估未定義準確率（eval_accuracy_undefined）：nan
• 評估物體準確率（eval_accuracy_object）：nan
• 評估球準確率（eval_accuracy_ball）：0.0
• 評估頂部球員準確率（eval_accuracy_playerTop）：0.7071
• 評估底部球員準確率（eval_accuracy_playerBottom）：0.8904
• 評估球場準確率（eval_accuracy_court）：0.9956
• 評估未定義交併比（eval_iou_undefined）：0.0
• 評估物體交併比（eval_iou_object）：nan
• 評估球交併比（eval_iou_ball）：0.0
• 評估頂部球員交併比（eval_iou_playerTop）：0.7071
• 評估底部球員交併比（eval_iou_playerBottom）：0.7968
• 評估球場交併比（eval_iou_court）：0.9931
• 評估運行時間（eval_runtime）：8.2745
• 評估每秒樣本數（eval_samples_per_second）：2.175
• 評估每秒步數（eval_steps_per_second）：1.088
• 訓練輪數（epoch）：29.41
• 訓練步數（step）：1000

✨ 主要特性

• 微調基礎模型：基於 nvidia/mit-b0 進行微調，繼承了基礎模型的優秀特性。
• 特定數據集訓練：在 julia-wenkmann/TennisSegmentation 數據集上進行訓練，適用於網球相關圖像分割任務。
• 多指標評估：通過多種評估指標（如準確率、交併比等）全面衡量模型性能。

🔧 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）：2
• 評估批次大小（eval_batch_size）：2
• 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
• 訓練輪數（num_epochs）：100

框架版本

• Transformers：4.35.2
• Pytorch：2.1.0+cu121
• Datasets：2.17.1
• Tokenizers：0.15.2

📄 許可證

本模型使用其他許可證。