開源ecc_segformerv2圖像分割模型 - 精準完成裂縫檢測任務

首頁

Ecc Segformerv2

由rishitunu開發

基於nvidia/mit-b5微調的圖像分割模型，專注於裂縫檢測任務

圖像分割

Transformers

開源協議:其他 #裂縫檢測 #建築結構分析 #圖像分割

下載量 18

發布時間 : 8/13/2023

模型概述

該模型是基於nvidia/mit-b5架構在rishitunu/ecc_crackdetector_dataset數據集上微調的圖像分割模型，主要用於檢測圖像中的裂縫結構。

模型特點

裂縫檢測專用

專門針對裂縫檢測任務進行優化，能夠識別圖像中的裂縫結構

基於SegFormer架構

採用高效的SegFormer圖像分割架構，平衡了精度和計算效率

模型能力

圖像分割

裂縫檢測

結構缺陷識別

使用案例

基礎設施檢測

建築裂縫檢測

用於檢測建築物表面的裂縫缺陷

在評估集上裂縫交併比達到0.1723

道路裂縫檢測

識別道路表面的裂縫和損壞

🚀 ecc_segformerv2

ecc_segformerv2 是一個圖像分割模型，它基於 nvidia/mit-b5 在 rishitunu/ecc_crackdetector_dataset 數據集上進行微調。該模型在圖像分割任務中具有一定的性能表現，可用於相關領域的裂縫檢測等應用。

🚀 快速開始

本模型是 nvidia/mit-b5 在 rishitunu/ecc_crackdetector_dataset 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：0.3478
平均交併比（Mean Iou）：0.0862
平均準確率：0.1924
整體準確率：0.1924
背景準確率：nan
裂縫準確率：0.1924
背景交併比：0.0
裂縫交併比：0.1723

📚 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：

學習率：6e - 05
訓練批次大小：4
評估批次大小：4
隨機種子：1337
優化器：Adam，β=(0.9, 0.999)，ε=1e - 08
學習率調度器類型：多項式
訓練步數：10000

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	裂縫準確率	裂縫交併比
0.1019	1.0	251	0.5116	0.1490	0.3280	0.3280	nan	0.3280	0.2979
0.0938	2.0	502	0.4725	0.1144	0.2400	0.2400	nan	0.2400	0.2287
0.098	3.0	753	0.5117	0.1276	0.2748	0.2748	nan	0.2748	0.2552
0.1018	4.0	1004	0.3870	0.1053	0.2254	0.2254	nan	0.2254	0.2106
0.0928	5.0	1255	0.2907	0.0772	0.1630	0.1630	nan	0.1630	0.1544
0.0936	6.0	1506	0.5220	0.1193	0.2544	0.2544	nan	0.2544	0.2385
0.077	7.0	1757	0.1608	0.0617	0.1308	0.1308	nan	0.1308	0.1235
0.0963	8.0	2008	0.1756	0.0456	0.0923	0.0923	nan	0.0923	0.0912
0.0958	9.0	2259	0.2027	0.0862	0.1813	0.1813	nan	0.1813	0.1725
0.0755	10.0	2510	0.2327	0.0888	0.1832	0.1832	nan	0.1832	0.1776
0.0632	11.0	2761	0.2169	0.0846	0.1863	0.1863	nan	0.1863	0.1693
0.0638	12.0	3012	0.2309	0.0852	0.1957	0.1957	nan	0.1957	0.1704
0.0509	13.0	3263	0.3209	0.1236	0.2910	0.2910	nan	0.2910	0.2472
0.0497	14.0	3514	0.3274	0.1045	0.2354	0.2354	nan	0.2354	0.2089
0.0396	15.0	3765	0.3415	0.1005	0.2257	0.2257	nan	0.2257	0.2010
0.0373	16.0	4016	0.3530	0.1122	0.2486	0.2486	nan	0.2486	0.2244
0.0388	17.0	4267	0.3312	0.0889	0.1974	0.1974	nan	0.1974	0.1778
0.0346	18.0	4518	0.3061	0.0903	0.2125	0.2125	nan	0.2125	0.1807
0.0296	19.0	4769	0.3223	0.1000	0.2315	0.2315	nan	0.2315	0.2000
0.0311	20.0	5020	0.3458	0.0943	0.2237	0.2237	nan	0.2237	0.1887
0.0303	21.0	5271	0.3283	0.0975	0.2255	0.2255	nan	0.2255	0.1951
0.0249	22.0	5522	0.3387	0.0998	0.2327	0.2327	nan	0.2327	0.1996
0.0298	23.0	5773	0.3332	0.0973	0.2242	0.2242	nan	0.2242	0.1946
0.0239	24.0	6024	0.3778	0.1146	0.2634	0.2634	nan	0.2634	0.2292
0.0238	25.0	6275	0.3250	0.0909	0.2081	0.2081	nan	0.2081	0.1818
0.0242	26.0	6526	0.3826	0.1002	0.2285	0.2285	nan	0.2285	0.2004
0.017	27.0	6777	0.3543	0.1058	0.2367	0.2367	nan	0.2367	0.2115
0.0241	28.0	7028	0.3491	0.0915	0.2069	0.2069	nan	0.2069	0.1830
0.0203	29.0	7279	0.3354	0.0899	0.2056	0.2056	nan	0.2056	0.1798
0.0206	30.0	7530	0.3592	0.0944	0.2165	0.2165	nan	0.2165	0.1888
0.0211	31.0	7781	0.3200	0.0943	0.2100	0.2100	nan	0.2100	0.1886
0.0209	32.0	8032	0.3401	0.0850	0.1941	0.1941	nan	0.1941	0.1701
0.0172	33.0	8283	0.3326	0.0879	0.1986	0.1986	nan	0.1986	0.1759
0.0187	34.0	8534	0.3343	0.0869	0.1960	0.1960	nan	0.1960	0.1739
0.0181	35.0	8785	0.3223	0.0824	0.1835	0.1835	nan	0.1835	0.1648
0.0168	36.0	9036	0.3461	0.0864	0.1933	0.1933	nan	0.1933	0.1727
0.0169	37.0	9287	0.3438	0.0848	0.1888	0.1888	nan	0.1888	0.1695
0.0182	38.0	9538	0.3506	0.0865	0.1933	0.1933	nan	0.1933	0.1730
0.0167	39.0	9789	0.3535	0.0869	0.1946	0.1946	nan	0.1946	0.1739
0.0174	39.84	10000	0.3478	0.0862	0.1924	0.1924	nan	0.1924	0.1723