Segformer-b0開源語義分割模型 - 免費部署，專為優化人行道場景打造

首頁

Segformer B0 Finetuned Segments Sidewalk 4

由jakka開發

基於MIT-B0架構的輕量級語義分割模型，專為人行道場景優化

圖像分割

Transformers

開源協議:Apache-2.0 #人行道語義分割 #輕量級模型 #城市街景分析

下載量 15

發布時間 : 5/30/2022

模型概述

該模型是SegFormer-B0在segments/sidewalk-semantic數據集上的微調版本，適用於城市人行道場景的語義分割任務，能夠識別多種路面元素和障礙物。

模型特點

輕量高效

基於B0小型架構，適合資源受限環境部署

人行道場景優化

針對城市人行道語義分割任務專門微調

多類別識別

支持30+類別的路面元素識別（含無效類別）

模型能力

圖像語義分割

路面元素識別

障礙物檢測

使用案例

智慧城市

人行道無障礙檢測

自動識別影響通行的障礙物和路面缺陷

在驗證集上對平整路面的識別準確率達93.3%

自動駕駛

行人區域劃分

為自動駕駛系統提供可通行區域識別

對人行道的交併比達78.4%

🚀 segformer-b0-finetuned-segments-sidewalk-4

這是一個在segments/sidewalk - semantic數據集上對[nvidia/mit - b0](https://huggingface.co/nvidia/mit - b0)進行微調後的模型。該模型在評估集上取得了以下結果：

損失值：1.6258
平均交併比（Mean Iou）：0.1481
平均準確率（Mean Accuracy）：0.1991
總體準確率（Overall Accuracy）：0.7316
每類別交併比：[nan, 0.4971884694242825, 0.7844619900838784, 0.0, 0.10165655377640956, 0.007428563507709108, nan, 4.566798099115959e - 06, 0.0, 0.0, 0.5570746278221521, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.534278997386317, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.7557693923373933, 0.5270379031768208, 0.8254522211471568, 0.0, 0.0, 0.0, 0.0]
每類別準確率：[nan, 0.8698779680369205, 0.9122325676343133, 0.0, 0.10179229832932858, 0.007508413919135004, nan, 4.566798099115959e - 06, 0.0, 0.0, 0.8968168359562617, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.8492049383357001, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.9388033874781816, 0.6627890453030717, 0.9334458854084583, 0.0, 0.0, 0.0, 0.0]

📚 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（learning_rate）：6e - 05
訓練批次大小（train_batch_size）：32
評估批次大小（eval_batch_size）：32
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）：2

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	每類別交併比	每類別準確率
1.7912	1.0	25	1.6392	0.1412	0.1911	0.7210	[nan, 0.48942576059104514, 0.7754689525048201, 0.0, 0.031932013148008094, 0.004348266117522573, nan, 1.5527099355168697e - 05, 0.0, 0.0, 0.5356571432088642, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.5243044552616699, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.7355207837531991, 0.4479559177066271, 0.8315839315332364, 0.0, 0.0, 0.0, 0.0]	[nan, 0.8476069713517648, 0.9129050708992534, 0.0, 0.03194435645315849, 0.004370669306327572, nan, 1.552711353699426e - 05, 0.0, 0.0, 0.897824434787493, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.8555478632753987, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.9510113270409175, 0.5116786406550935, 0.9122706949370997, 0.0, 0.0, 0.0, 0.0]
1.7531	2.0	50	1.6258	0.1481	0.1991	0.7316	[nan, 0.4971884694242825, 0.7844619900838784, 0.0, 0.10165655377640956, 0.007428563507709108, nan, 4.566798099115959e - 06, 0.0, 0.0, 0.5570746278221521, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.534278997386317, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.7557693923373933, 0.5270379031768208, 0.8254522211471568, 0.0, 0.0, 0.0, 0.0]	[nan, 0.8698779680369205, 0.9122325676343133, 0.0, 0.10179229832932858, 0.007508413919135004, nan, 4.566798099115959e - 06, 0.0, 0.0, 0.8968168359562617, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.8492049383357001, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.9388033874781816, 0.6627890453030717, 0.9334458854084583, 0.0, 0.0, 0.0, 0.0]