segformer - b4開源裂縫分割模型 - 免費檢測圖像中裂縫結構

首頁

Segformer B4 Crack Segmentation Dataset

由varcoder開發

基於SegFormer架構的裂縫分割模型，在裂縫分割數據集上微調，用於檢測圖像中的裂縫結構

圖像分割

Transformers

英語開源協議:其他 #裂縫檢測 #高精度分割 #建築結構分析

下載量 200

發布時間 : 7/12/2023

模型概述

該模型是基於nvidia/mit-b0在裂縫分割數據集上微調的圖像分割模型，專門用於識別和分割圖像中的裂縫區域

模型特點

裂縫檢測

專門針對裂縫分割任務優化，能夠準確識別圖像中的裂縫結構

輕量級架構

基於SegFormer-B4架構，在保持性能的同時具有較高的計算效率

微調優化

在特定裂縫數據集上微調，提高了對裂縫特徵的識別能力

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

建築物裂縫檢測

用於檢測建築物牆面或地面的裂縫

在評估集上達到0.6691的裂縫準確率

道路裂縫檢測

識別道路表面的裂縫缺陷

🚀 segformer-b4-crack-segmentation-dataset

該模型是圖像分割領域的重要工具，基於特定數據集微調，能有效對裂縫進行分割識別，在相關評估指標上表現良好，為裂縫檢測等應用場景提供了有力支持。

🚀 快速開始

此模型是 nvidia/mit-b0 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：0.0594
平均交併比（Mean Iou）：0.3346
平均準確率：0.6691
整體準確率：0.6691
背景準確率：nan
裂縫準確率：0.6691
背景交併比：0.0
裂縫交併比：0.6691

🔧 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：2
評估批次大小：2
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：1

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
0.2287	0.02	100	0.2515	0.1734	0.3468	0.3468	nan	0.3468	0.3468
0.1792	0.04	200	0.1594	0.1671	0.3342	0.3342	nan	0.3342	0.3342
0.1177	0.06	300	0.1762	0.1044	0.2088	0.2088	nan	0.2088	0.2088
0.0821	0.08	400	0.1706	0.2065	0.4130	0.4130	nan	0.4130	0.4130
0.0666	0.1	500	0.1507	0.1931	0.3863	0.3863	nan	0.3863	0.3863
0.0675	0.12	600	0.1374	0.3114	0.6227	0.6227	nan	0.6227	0.6227
0.0267	0.15	700	0.1400	0.2171	0.4342	0.4342	nan	0.4342	0.4342
0.0192	0.17	800	0.1067	0.1594	0.3187	0.3187	nan	0.3187	0.3187
0.0711	0.19	900	0.1002	0.2915	0.5830	0.5830	nan	0.5830	0.5830
0.0761	0.21	1000	0.0785	0.3099	0.6199	0.6199	nan	0.6199	0.6199
0.0802	0.23	1100	0.0829	0.3086	0.6173	0.6173	nan	0.6173	0.6173
0.1058	0.25	1200	0.0895	0.2139	0.4278	0.4278	nan	0.4278	0.4278
0.0409	0.27	1300	0.0792	0.3237	0.6475	0.6475	nan	0.6475	0.6475
0.063	0.29	1400	0.0739	0.3084	0.6168	0.6168	nan	0.6168	0.6168
0.0669	0.31	1500	0.0747	0.3326	0.6653	0.6653	nan	0.6653	0.6653
0.1277	0.33	1600	0.0735	0.3149	0.6297	0.6297	nan	0.6297	0.6297
0.0388	0.35	1700	0.0708	0.2525	0.5050	0.5050	nan	0.5050	0.5050
0.0332	0.37	1800	0.0726	0.2908	0.5816	0.5816	nan	0.5816	0.5816
0.0435	0.4	1900	0.0673	0.2893	0.5786	0.5786	nan	0.5786	0.5786
0.1297	0.42	2000	0.0698	0.3438	0.6877	0.6877	nan	0.6877	0.6877
0.1202	0.44	2100	0.0745	0.2899	0.5798	0.5798	nan	0.5798	0.5798
0.0549	0.46	2200	0.0657	0.3522	0.7044	0.7044	nan	0.7044	0.7044
0.0223	0.48	2300	0.0808	0.2686	0.5372	0.5372	nan	0.5372	0.5372
0.0464	0.5	2400	0.0631	0.3221	0.6442	0.6442	nan	0.6442	0.6442
0.0364	0.52	2500	0.0778	0.3410	0.6820	0.6820	nan	0.6820	0.6820
0.047	0.54	2600	0.0689	0.3489	0.6978	0.6978	nan	0.6978	0.6978
0.0322	0.56	2700	0.0640	0.2863	0.5727	0.5727	nan	0.5727	0.5727
0.0453	0.58	2800	0.0574	0.3340	0.6681	0.6681	nan	0.6681	0.6681
0.0347	0.6	2900	0.0611	0.3289	0.6578	0.6578	nan	0.6578	0.6578
0.0916	0.62	3000	0.0609	0.3357	0.6714	0.6714	nan	0.6714	0.6714
0.0523	0.65	3100	0.0557	0.3318	0.6637	0.6637	nan	0.6637	0.6637
0.1246	0.67	3200	0.0558	0.3294	0.6588	0.6588	nan	0.6588	0.6588
0.0501	0.69	3300	0.0697	0.2955	0.5910	0.5910	nan	0.5910	0.5910
0.0312	0.71	3400	0.0604	0.3414	0.6827	0.6827	nan	0.6827	0.6827
0.0449	0.73	3500	0.0612	0.3305	0.6611	0.6611	nan	0.6611	0.6611
0.0111	0.75	3600	0.0617	0.2930	0.5860	0.5860	nan	0.5860	0.5860
0.0206	0.77	3700	0.0627	0.3663	0.7326	0.7326	nan	0.7326	0.7326
0.051	0.79	3800	0.0649	0.3159	0.6318	0.6318	nan	0.6318	0.6318
0.0243	0.81	3900	0.0600	0.3370	0.6740	0.6740	nan	0.6740	0.6740
0.0108	0.83	4000	0.0614	0.3595	0.7190	0.7190	nan	0.7190	0.7190
0.0951	0.85	4100	0.0564	0.3571	0.7142	0.7142	nan	0.7142	0.7142
0.0731	0.87	4200	0.0597	0.3497	0.6994	0.6994	nan	0.6994	0.6994
0.0307	0.9	4300	0.0636	0.3468	0.6937	0.6937	nan	0.6937	0.6937
0.1039	0.92	4400	0.0594	0.3397	0.6795	0.6795	nan	0.6795	0.6795
0.0083	0.94	4500	0.0606	0.3512	0.7024	0.7024	nan	0.7024	0.7024
0.0113	0.96	4600	0.0597	0.3288	0.6576	0.6576	nan	0.6576	0.6576
0.0417	0.98	4700	0.0595	0.3405	0.6811	0.6811	nan	0.6811	0.6811
0.1944	1.0	4800	0.0594	0.3346	0.6691	0.6691	nan	0.6691	0.6691