Segformer B5 Finetuned Human Parsing
模型概述
該模型是SegFormer架構的變體,專門用於人體部位和服裝的語義分割任務。能夠準確識別帽子、上衣、褲子等20類人體相關元素,適用於虛擬試衣、行為分析等場景。
模型特點
精細部位分割
支持20類人體部位和服飾的精確分割,包括眼鏡、圍巾等小物件
高精度表現
在面部、頭髮等關鍵區域達到90%以上的準確率
輕量級微調
基於預訓練模型進行高效微調,適應特定人體解析任務
模型能力
人體部位識別
服裝分類
像素級分割
多類別標註
使用案例
時尚科技
虛擬試衣系統
精確分割服裝區域實現虛擬換裝效果
上衣/褲子分割準確率達85%以上
服裝電商搜索
通過服裝特徵分析提升搜索精準度
人機交互
動作捕捉預處理
為動作識別提供精確的身體部位定位
🚀 segformer-b5-finetuned-human-parsing
該模型是基於 nvidia/mit-b5 在未知數據集上進行微調的版本,可用於圖像分割任務,在人體解析方面表現出色。
🚀 快速開始
此模型是 nvidia/mit-b5 在未知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:0.2292
- 平均交併比(Mean Iou):0.6258
- 平均準確率(Mean Accuracy):0.7547
- 整體準確率(Overall Accuracy):0.8256
- 背景準確率(Accuracy Background):nan
- 帽子準確率(Accuracy Hat):0.8561
- 頭髮準確率(Accuracy Hair):0.8974
- 太陽鏡準確率(Accuracy Sunglasses):0.7540
- 上衣準確率(Accuracy Upper - clothes):0.8553
- 裙子準確率(Accuracy Skirt):0.7026
- 褲子準確率(Accuracy Pants):0.8913
- 連衣裙準確率(Accuracy Dress):0.7525
- 腰帶準確率(Accuracy Belt):0.4251
- 左腳鞋準確率(Accuracy Left - shoe):0.6014
- 右腳鞋準確率(Accuracy Right - shoe):0.6374
- 臉部準確率(Accuracy Face):0.9094
- 左腿準確率(Accuracy Left - leg):0.8452
- 右腿準確率(Accuracy Right - leg):0.8343
- 左臂準確率(Accuracy Left - arm):0.8506
- 右臂準確率(Accuracy Right - arm):0.8287
- 包包準確率(Accuracy Bag):0.8232
- 圍巾準確率(Accuracy Scarf):0.3662
- 背景交併比(Iou Background):0.0
- 帽子交併比(Iou Hat):0.7625
- 頭髮交併比(Iou Hair):0.8171
- 太陽鏡交併比(Iou Sunglasses):0.6400
- 上衣交併比(Iou Upper - clothes):0.7700
- 裙子交併比(Iou Skirt):0.6211
- 褲子交併比(Iou Pants):0.7788
- 連衣裙交併比(Iou Dress):0.5512
- 腰帶交併比(Iou Belt):0.3564
- 左腳鞋交併比(Iou Left - shoe):0.5032
- 右腳鞋交併比(Iou Right - shoe):0.5381
- 臉部交併比(Iou Face):0.8294
- 左腿交併比(Iou Left - leg):0.7412
- 右腿交併比(Iou Right - leg):0.7591
- 左臂交併比(Iou Left - arm):0.7579
- 右臂交併比(Iou Right - arm):0.7705
- 包包交併比(Iou Bag):0.7729
- 圍巾交併比(Iou Scarf):0.2956
🔧 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):15
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 | 帽子準確率 | 頭髮準確率 | 太陽鏡準確率 | 上衣準確率 | 裙子準確率 | 褲子準確率 | 連衣裙準確率 | 腰帶準確率 | 左腳鞋準確率 | 右腳鞋準確率 | 臉部準確率 | 左腿準確率 | 右腿準確率 | 左臂準確率 | 右臂準確率 | 包包準確率 | 圍巾準確率 | 背景交併比 | 帽子交併比 | 頭髮交併比 | 太陽鏡交併比 | 上衣交併比 | 裙子交併比 | 褲子交併比 | 連衣裙交併比 | 腰帶交併比 | 左腳鞋交併比 | 右腳鞋交併比 | 臉部交併比 | 左腿交併比 | 右腿交併比 | 左臂交併比 | 右臂交併比 | 包包交併比 | 圍巾交併比 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1.1597 | 0.04 | 20 | 1.5815 | 0.1179 | 0.1991 | 0.4296 | nan | 0.0060 | 0.6905 | 0.0 | 0.7657 | 0.0108 | 0.6431 | 0.2946 | 0.0 | 0.0288 | 0.0366 | 0.1480 | 0.0025 | 0.5692 | 0.0096 | 0.0259 | 0.1537 | 0.0 | 0.0 | 0.0051 | 0.4253 | 0.0 | 0.5199 | 0.0103 | 0.3388 | 0.1700 | 0.0 | 0.0258 | 0.0338 | 0.0895 | 0.0025 | 0.3162 | 0.0094 | 0.0253 | 0.1495 | 0.0 |
0.6963 | 0.08 | 40 | 0.8073 | 0.1759 | 0.2719 | 0.4628 | nan | 0.0015 | 0.8699 | 0.0 | 0.4736 | 0.4932 | 0.5141 | 0.6775 | 0.0 | 0.0062 | 0.1038 | 0.5301 | 0.0916 | 0.5071 | 0.0092 | 0.0549 | 0.2889 | 0.0 | 0.0 | 0.0015 | 0.6169 | 0.0 | 0.4242 | 0.2202 | 0.3522 | 0.2251 | 0.0 | 0.0062 | 0.0904 | 0.4914 | 0.0852 | 0.3160 | 0.0092 | 0.0541 | 0.2731 | 0.0 |
0.5786 | 0.12 | 60 | 0.6136 | 0.2538 | 0.3642 | 0.4679 | nan | 0.0180 | 0.8122 | 0.0 | 0.1998 | 0.0000 | 0.6621 | 0.8592 | 0.0 | 0.1440 | 0.2772 | 0.8381 | 0.4032 | 0.6068 | 0.4182 | 0.3097 | 0.6434 | 0.0 | 0.0 | 0.0179 | 0.6760 | 0.0 | 0.1951 | 0.0000 | 0.5471 | 0.2218 | 0.0 | 0.1147 | 0.2032 | 0.6403 | 0.3189 | 0.4204 | 0.3505 | 0.2947 | 0.5676 | 0.0 |
0.324 | 0.16 | 80 | 0.4282 | 0.2893 | 0.4044 | 0.6041 | nan | 0.0147 | 0.7890 | 0.0 | 0.8222 | 0.7984 | 0.6646 | 0.1038 | 0.0 | 0.0896 | 0.3308 | 0.8277 | 0.4099 | 0.6839 | 0.2401 | 0.5474 | 0.5521 | 0.0 | 0.0 | 0.0147 | 0.6800 | 0.0 | 0.6159 | 0.3049 | 0.5913 | 0.0938 | 0.0 | 0.0802 | 0.2394 | 0.6598 | 0.3178 | 0.4504 | 0.2288 | 0.4189 | 0.5113 | 0.0 |
0.297 | 0.2 | 100 | 0.4020 | 0.3034 | 0.4230 | 0.6332 | nan | 0.0048 | 0.8076 | 0.0080 | 0.9042 | 0.6567 | 0.8036 | 0.0317 | 0.0 | 0.0481 | 0.5298 | 0.7728 | 0.2589 | 0.7232 | 0.5941 | 0.3839 | 0.6643 | 0.0 | 0.0 | 0.0048 | 0.6708 | 0.0080 | 0.6300 | 0.3836 | 0.5929 | 0.0314 | 0.0 | 0.0441 | 0.3152 | 0.6726 | 0.2420 | 0.4745 | 0.4532 | 0.3631 | 0.5759 | 0.0 |
0.2608 | 0.24 | 120 | 0.3538 | 0.3444 | 0.4554 | 0.6504 | nan | 0.2922 | 0.8078 | 0.0753 | 0.8472 | 0.0425 | 0.6961 | 0.6197 | 0.0 | 0.2550 | 0.3074 | 0.8020 | 0.5636 | 0.6895 | 0.3779 | 0.6930 | 0.6734 | 0.0 | 0.0 | 0.2757 | 0.6940 | 0.0747 | 0.6457 | 0.0419 | 0.6098 | 0.3611 | 0.0 | 0.1849 | 0.2412 | 0.7038 | 0.4513 | 0.5038 | 0.3439 | 0.4760 | 0.5915 | 0.0 |
0.3306 | 0.28 | 140 | 0.3281 | 0.3562 | 0.4736 | 0.6560 | nan | 0.4111 | 0.8576 | 0.1953 | 0.8081 | 0.6916 | 0.7888 | 0.3489 | 0.0 | 0.0809 | 0.3612 | 0.8132 | 0.0622 | 0.7078 | 0.6328 | 0.5437 | 0.7482 | 0.0 | 0.0 | 0.3895 | 0.7227 | 0.1857 | 0.6777 | 0.3750 | 0.6015 | 0.2749 | 0.0 | 0.0740 | 0.2602 | 0.7070 | 0.0612 | 0.4348 | 0.5114 | 0.4966 | 0.6385 | 0.0 |
0.364 | 0.32 | 160 | 0.3368 | 0.3689 | 0.4836 | 0.6531 | nan | 0.3898 | 0.8453 | 0.1743 | 0.9269 | 0.2493 | 0.7922 | 0.0842 | 0.0 | 0.4874 | 0.2384 | 0.8116 | 0.6226 | 0.5731 | 0.6049 | 0.6620 | 0.7597 | 0.0 | 0.0 | 0.3746 | 0.7246 | 0.1690 | 0.6015 | 0.1998 | 0.5942 | 0.0786 | 0.0 | 0.2682 | 0.1904 | 0.7015 | 0.4781 | 0.4781 | 0.5452 | 0.5804 | 0.6562 | 0.0 |
0.635 | 0.36 | 180 | 0.3092 | 0.3699 | 0.4903 | 0.6319 | nan | 0.4996 | 0.8387 | 0.2136 | 0.6184 | 0.0129 | 0.7920 | 0.8199 | 0.0 | 0.1895 | 0.3028 | 0.8307 | 0.7258 | 0.3386 | 0.7480 | 0.6543 | 0.7511 | 0.0 | 0.0 | 0.4613 | 0.7126 | 0.2042 | 0.5589 | 0.0128 | 0.6658 | 0.3529 | 0.0 | 0.1622 | 0.2426 | 0.7363 | 0.4646 | 0.3144 | 0.5794 | 0.5575 | 0.6321 | 0.0 |
0.1464 | 0.4 | 200 | 0.3306 | 0.3809 | 0.5041 | 0.6544 | nan | 0.6110 | 0.8337 | 0.2420 | 0.8913 | 0.8862 | 0.6492 | 0.0004 | 0.0 | 0.2888 | 0.2949 | 0.8514 | 0.4630 | 0.7751 | 0.7020 | 0.5429 | 0.5386 | 0.0 | 0.0 | 0.5329 | 0.7348 | 0.2331 | 0.6567 | 0.3661 | 0.5769 | 0.0004 | 0.0 | 0.2221 | 0.2333 | 0.7431 | 0.4133 | 0.5478 | 0.5718 | 0.5125 | 0.5107 | 0.0 |
0.2257 | 0.44 | 220 | 0.2751 | 0.4089 | 0.5400 | 0.6752 | nan | 0.6851 | 0.8458 | 0.4204 | 0.7241 | 0.1085 | 0.7997 | 0.7657 | 0.0 | 0.2458 | 0.4039 | 0.8858 | 0.7863 | 0.3199 | 0.7405 | 0.6974 | 0.7508 | 0.0 | 0.0 | 0.5815 | 0.7437 | 0.3776 | 0.6458 | 0.1033 | 0.6526 | 0.3966 | 0.0 | 0.2027 | 0.3078 | 0.7438 | 0.4680 | 0.2966 | 0.6204 | 0.5942 | 0.6260 | 0.0 |
0.3069 | 0.48 | 240 | 0.2614 | 0.4163 | 0.5499 | 0.6868 | nan | 0.6246 | 0.8571 | 0.3130 | 0.7765 | 0.8266 | 0.7786 | 0.3212 | 0.0 | 0.3560 | 0.3736 | 0.8579 | 0.1780 | 0.8761 | 0.7423 | 0.7693 | 0.6970 | 0.0 | 0.0 | 0.5597 | 0.7370 | 0.2931 | 0.6733 | 0.4032 | 0.6889 | 0.2487 | 0.0 | 0.2662 | 0.2901 | 0.7425 | 0.1724 | 0.4957 | 0.6373 | 0.6376 | 0.6470 | 0.0 |
0.1454 | 0.52 | 260 | 0.2563 | 0.4316 | 0.5610 | 0.6965 | nan | 0.6707 | 0.8388 | 0.5572 | 0.7616 | 0.3854 | 0.7280 | 0.7114 | 0.0 | 0.1934 | 0.3621 | 0.8718 | 0.7860 | 0.6140 | 0.7403 | 0.5340 | 0.7820 | 0.0 | 0.0 | 0.5710 | 0.7446 | 0.4497 | 0.6637 | 0.3125 | 0.6624 | 0.4219 | 0.0 | 0.1731 | 0.2862 | 0.7295 | 0.5339 | 0.5054 | 0.5742 | 0.4967 | 0.6449 | 0.0 |
0.1522 | 0.56 | 280 | 0.2521 | 0.4327 | 0.5567 | 0.7138 | nan | 0.5098 | 0.9135 | 0.3399 | 0.8898 | 0.5537 | 0.7508 | 0.2922 | 0.0 | 0.3367 | 0.2484 | 0.8388 | 0.7460 | 0.7191 | 0.7496 | 0.7996 | 0.7753 | 0.0 | 0.0 | 0.4902 | 0.7541 | 0.3196 | 0.6924 | 0.3853 | 0.6261 | 0.2512 | 0.0 | 0.2575 | 0.2171 | 0.7393 | 0.5563 | 0.5633 | 0.6403 | 0.6335 | 0.6621 | 0.0 |
0.1872 | 0.6 | 300 | 0.2359 | 0.4557 | 0.5797 | 0.7247 | nan | 0.6901 | 0.8832 | 0.5498 | 0.8857 | 0.6636 | 0.7843 | 0.3983 | 0.0 | 0.4549 | 0.2292 | 0.8147 | 0.7126 | 0.6223 | 0.7467 | 0.7014 | 0.7185 | 0.0 | 0.0 | 0.5881 | 0.7556 | 0.4621 | 0.7131 | 0.4264 | 0.6506 | 0.3311 | 0.0 | 0.3025 | 0.1975 | 0.7350 | 0.5635 | 0.5513 | 0.6505 | 0.6318 | 0.6439 | 0.0 |
0.2512 | 0.64 | 320 | 0.2601 | 0.4363 | 0.5599 | 0.6801 | nan | 0.6470 | 0.8482 | 0.3819 | 0.6317 | 0.2525 | 0.7437 | 0.8755 | 0.0 | 0.1737 | 0.5412 | 0.8907 | 0.5915 | 0.7943 | 0.7177 | 0.7437 | 0.6852 | 0.0 | 0.0 | 0.5580 | 0.7612 | 0.3645 | 0.5718 | 0.2362 | 0.6671 | 0.3836 | 0.0 | 0.1621 | 0.3641 | 0.7486 | 0.5132 | 0.5865 | 0.6472 | 0.6479 | 0.6409 | 0.0 |
0.6521 | 0.68 | 340 | 0.2286 | 0.4716 | 0.6024 | 0.7351 | nan | 0.6559 | 0.8492 | 0.3976 | 0.7517 | 0.5818 | 0.7622 | 0.7422 | 0.0 | 0.5277 | 0.2673 | 0.9098 | 0.7514 | 0.6903 | 0.7853 | 0.7795 | 0.7896 | 0.0 | 0.0 | 0.5839 | 0.7531 | 0.3761 | 0.6829 | 0.4643 | 0.6722 | 0.4762 | 0.0 | 0.3375 | 0.2261 | 0.7551 | 0.5838 | 0.5730 | 0.6548 | 0.6501 | 0.6987 | 0.0 |
0.1734 | 0.72 | 360 | 0.2511 | 0.4464 | 0.5731 | 0.7074 | nan | 0.6326 | 0.8339 | 0.5953 | 0.8987 | 0.8731 | 0.7575 | 0.1617 | 0.0 | 0.2314 | 0.5741 | 0.8497 | 0.6140 | 0.6973 | 0.5250 | 0.7576 | 0.7406 | 0.0 | 0.0 | 0.5777 | 0.7535 | 0.4840 | 0.6597 | 0.5208 | 0.6261 | 0.1507 | 0.0 | 0.2110 | 0.3920 | 0.7579 | 0.5436 | 0.5825 | 0.4959 | 0.6090 | 0.6702 | 0.0 |
0.1596 | 0.76 | 380 | 0.2303 | 0.4702 | 0.5922 | 0.7351 | nan | 0.6336 | 0.8772 | 0.4196 | 0.8004 | 0.4307 | 0.7034 | 0.7554 | 0.0 | 0.2914 | 0.4563 | 0.8930 | 0.7517 | 0.7146 | 0.7649 | 0.7420 | 0.8336 | 0.0 | 0.0 | 0.5854 | 0.7635 | 0.3937 | 0.6838 | 0.3957 | 0.6295 | 0.4857 | 0.0 | 0.2497 | 0.3439 | 0.7526 | 0.6021 | 0.6055 | 0.6591 | 0.6473 | 0.6657 | 0.0 |
0.1359 | 0.8 | 400 | 0.2332 | 0.4592 | 0.5773 | 0.7182 | nan | 0.6759 | 0.8564 | 0.5305 | 0.8221 | 0.4710 | 0.8463 | 0.5733 | 0.0 | 0.2630 | 0.5031 | 0.8314 | 0.7079 | 0.7295 | 0.7449 | 0.7233 | 0.5357 | 0.0 | 0.0 | 0.6046 | 0.7593 | 0.4670 | 0.7005 | 0.3678 | 0.5672 | 0.4327 | 0.0 | 0.2265 | 0.3566 | 0.7593 | 0.5975 | 0.6161 | 0.6456 | 0.6470 | 0.5178 | 0.0 |
0.2014 | 0.84 | 420 | 0.2298 | 0.4709 | 0.5957 | 0.7268 | nan | 0.6207 | 0.8571 | 0.5146 | 0.7670 | 0.6367 | 0.6238 | 0.7682 | 0.0 | 0.2470 | 0.4863 | 0.8939 | 0.5487 | 0.8665 | 0.7735 | 0.7827 | 0.7405 | 0.0 | 0.0 | 0.5729 | 0.7737 | 0.4637 | 0.6774 | 0.4588 | 0.5840 | 0.4656 | 0.0 | 0.2219 | 0.3668 | 0.7764 | 0.5020 | 0.5959 | 0.6641 | 0.6698 | 0.6833 | 0.0 |
0.137 | 0.88 | 440 | 0.2260 | 0.4824 | 0.6147 | 0.7401 | nan | 0.7197 | 0.8823 | 0.6023 | 0.8544 | 0.9048 | 0.7837 | 0.3094 | 0.0245 | 0.2877 | 0.4592 | 0.8905 | 0.6846 | 0.8472 | 0.7109 | 0.7647 | 0.7230 | 0.0 | 0.0 | 0.6089 | 0.7638 | 0.5071 | 0.7154 | 0.5084 | 0.6749 | 0.2801 | 0.0227 | 0.2486 | 0.3499 | 0.7679 | 0.6127 | 0.6436 | 0.6445 | 0.6729 | 0.6626 | 0.0 |
0.2494 | 0.92 | 460 | 0.2275 | 0.4721 | 0.5997 | 0.7321 | nan | 0.6265 | 0.8452 | 0.6870 | 0.8116 | 0.4266 | 0.8250 | 0.7026 | 0.0498 | 0.5651 | 0.1855 | 0.8745 | 0.7293 | 0.6387 | 0.6783 | 0.8080 | 0.7416 | 0.0 | 0.0 | 0.5764 | 0.7653 | 0.5312 | 0.7021 | 0.3635 | 0.6488 | 0.4468 | 0.0475 | 0.3420 | 0.1695 | 0.7764 | 0.5981 | 0.5821 | 0.6149 | 0.6599 | 0.6740 | 0.0 |
0.2788 | 0.96 | 480 | 0.2315 | 0.4670 | 0.5977 | 0.7292 | nan | 0.7105 | 0.8142 | 0.4169 | 0.8597 | 0.8573 | 0.7707 | 0.3171 | 0.0476 | 0.2514 | 0.4432 | 0.9214 | 0.7332 | 0.6989 | 0.8245 | 0.6729 | 0.7954 | 0.0255 | 0.0 | 0.6051 | 0.7556 | 0.3986 | 0.7114 | 0.4588 | 0.6423 | 0.2727 | 0.0438 | 0.2215 | 0.3468 | 0.7650 | 0.6030 | 0.6007 | 0.6432 | 0.6180 | 0.6945 | 0.0253 |
0.1254 | 1.0 | 500 | 0.2176 | 0.4955 | 0.6287 | 0.7450 | nan | 0.7081 | 0.9094 |
📄 許可證
該項目使用其他許可證。
Clipseg Rd64 Refined
Apache-2.0
CLIPSeg是一種基於文本與圖像提示的圖像分割模型,支持零樣本和單樣本圖像分割任務。
圖像分割
Transformers

C
CIDAS
10.0M
122
RMBG 1.4
其他
BRIA RMBG v1.4 是一款先進的背景移除模型,專為高效分離各類圖像的前景與背景而設計,適用於非商業用途。
圖像分割
Transformers

R
briaai
874.12k
1,771
RMBG 2.0
其他
BRIA AI開發的最新背景移除模型,能有效分離各類圖像的前景與背景,適合大規模商業內容創作場景。
圖像分割
Transformers

R
briaai
703.33k
741
Segformer B2 Clothes
MIT
基於ATR數據集微調的SegFormer模型,用於服裝和人體分割
圖像分割
Transformers

S
mattmdjaga
666.39k
410
Sam Vit Base
Apache-2.0
SAM是一個能夠通過輸入提示(如點或框)生成高質量對象掩碼的視覺模型,支持零樣本分割任務
圖像分割
Transformers 其他

S
facebook
635.09k
137
Birefnet
MIT
BiRefNet是一個用於高分辨率二分圖像分割的深度學習模型,通過雙邊參考網絡實現精確的圖像分割。
圖像分割
Transformers

B
ZhengPeng7
626.54k
365
Segformer B1 Finetuned Ade 512 512
其他
SegFormer是一種基於Transformer的語義分割模型,在ADE20K數據集上進行了微調,適用於圖像分割任務。
圖像分割
Transformers

S
nvidia
560.79k
6
Sam Vit Large
Apache-2.0
SAM是一個能夠通過輸入提示點或邊界框生成高質量物體掩膜的視覺模型,具備零樣本遷移能力。
圖像分割
Transformers 其他

S
facebook
455.43k
28
Face Parsing
基於nvidia/mit-b5微調的語義分割模型,用於面部解析任務
圖像分割
Transformers 英語

F
jonathandinu
398.59k
157
Sam Vit Huge
Apache-2.0
SAM是一個能夠根據輸入提示生成高質量對象掩碼的視覺模型,支持零樣本遷移到新任務
圖像分割
Transformers 其他

S
facebook
324.78k
163
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98