🚀 trashbot
trashbot 是一個圖像分割模型,它基於 nvidia/mit-b5 在 mraottth/all_locations_pooled 數據集上進行微調。該模型在評估集上取得了良好的表現。
🚀 快速開始
此部分暫未提供快速開始的相關內容,若有後續信息可進一步補充。
✨ 主要特性
- 基於 nvidia/mit-b5 進行微調,繼承了其優秀的特徵提取能力。
- 在 mraottth/all_locations_pooled 數據集上訓練,適用於相關場景的圖像分割任務。
- 在評估集上取得了如下結果:
- 損失值(Loss):0.0191
- 平均交併比(Mean Iou):0.3997
- 平均準確率(Mean Accuracy):0.7995
- 總體準確率(Overall Accuracy):0.7995
- 未標記準確率(Accuracy Unlabeled):nan
- 垃圾準確率(Accuracy Trash):0.7995
- 未標記交併比(Iou Unlabeled):0.0
- 垃圾交併比(Iou Trash):0.7995
📚 詳細文檔
模型描述
更多信息待補充。
預期用途與限制
更多信息待補充。
訓練和評估數據
更多信息待補充。
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(learning_rate):6e - 05
- 訓練批次大小(train_batch_size):3
- 評估批次大小(eval_batch_size):3
- 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):10
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 |
未標記準確率 |
垃圾準確率 |
未標記交併比 |
垃圾交併比 |
0.0748 |
1.0 |
90 |
0.0386 |
0.3630 |
0.7259 |
0.7259 |
nan |
0.7259 |
0.0 |
0.7259 |
0.039 |
2.0 |
180 |
0.0242 |
0.3803 |
0.7607 |
0.7607 |
nan |
0.7607 |
0.0 |
0.7607 |
0.0194 |
3.0 |
270 |
0.0242 |
0.3605 |
0.7210 |
0.7210 |
nan |
0.7210 |
0.0 |
0.7210 |
0.0112 |
4.0 |
360 |
0.0205 |
0.3995 |
0.7991 |
0.7991 |
nan |
0.7991 |
0.0 |
0.7991 |
0.0169 |
5.0 |
450 |
0.0192 |
0.4000 |
0.8000 |
0.8000 |
nan |
0.8000 |
0.0 |
0.8000 |
0.041 |
6.0 |
540 |
0.0196 |
0.3838 |
0.7677 |
0.7677 |
nan |
0.7677 |
0.0 |
0.7677 |
0.0188 |
7.0 |
630 |
0.0191 |
0.4139 |
0.8277 |
0.8277 |
nan |
0.8277 |
0.0 |
0.8277 |
0.0073 |
8.0 |
720 |
0.0190 |
0.4069 |
0.8138 |
0.8138 |
nan |
0.8138 |
0.0 |
0.8138 |
0.025 |
9.0 |
810 |
0.0191 |
0.4087 |
0.8174 |
0.8174 |
nan |
0.8174 |
0.0 |
0.8174 |
0.006 |
10.0 |
900 |
0.0191 |
0.3997 |
0.7995 |
0.7995 |
nan |
0.7995 |
0.0 |
0.7995 |
框架版本
- Transformers 4.26.0
- Pytorch 1.13.1+cu116
- Datasets 2.9.0
- Tokenizers 0.13.2
📄 許可證
許可證類型:other