modeversion1_m7_e4開源圖像分類模型 - 高準確率助力圖片快速分類

首頁

Modeversion1 M7 E4

由sudo-s開發

該模型是基於google/vit-base-patch16-224-in21k在sudo-s/herbier_mesuem7數據集上微調的圖像分類模型，評估準確率達97.31%。

圖像分類

Transformers

開源協議:Apache-2.0 #高精度圖像分類 #植物標本識別 #ViT微調模型

下載量 28

發布時間 : 7/23/2022

模型概述

這是一個基於Vision Transformer架構的圖像分類模型，專門針對植物標本圖像進行了優化。

模型特點

高準確率

在評估集上達到97.31%的分類準確率

基於ViT架構

使用Vision Transformer基礎架構，適合處理圖像數據

微調優化

在特定植物標本數據集上進行了針對性微調

模型能力

圖像分類

植物標本識別

使用案例

植物學研究

植物標本分類

自動分類不同種類的植物標本圖像

97.31%的分類準確率

博物館數字化

標本館藏管理

輔助博物館進行植物標本的數字化分類管理

🚀 modeversion1_m7_e4

該模型是基於 google/vit-base-patch16-224-in21k 在 sudo-s/herbier_mesuem7 數據集上進行微調的版本。它在評估集上取得了以下結果：

損失值：0.0902
準確率：0.9731

🚀 快速開始

此部分文檔未提供快速開始的相關內容。

✨ 主要特性

此部分文檔未提供模型主要特性的相關內容。

📚 詳細文檔

模型描述

此部分文檔未提供更多模型描述的相關信息。

預期用途與限制

此部分文檔未提供更多預期用途與限制的相關信息。

訓練和評估數據

此部分文檔未提供更多訓練和評估數據的相關信息。

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：0.0002
訓練批次大小：16
評估批次大小：8
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：4
混合精度訓練：原生自動混合精度（Native AMP）

訓練結果

訓練損失	輪數	步數	驗證損失	準確率
4.073	0.06	100	3.9370	0.1768
3.4186	0.12	200	3.2721	0.2590
2.6745	0.18	300	2.6465	0.3856
2.2806	0.23	400	2.2600	0.4523
1.9275	0.29	500	1.9653	0.5109
1.6958	0.35	600	1.6815	0.6078
1.2797	0.41	700	1.4514	0.6419
1.3772	0.47	800	1.3212	0.6762
1.1765	0.53	900	1.1476	0.7028
1.0152	0.59	1000	1.0357	0.7313
0.7861	0.64	1100	1.0230	0.7184
1.0262	0.7	1200	0.9469	0.7386
0.8905	0.76	1300	0.8184	0.7756
0.6919	0.82	1400	0.8083	0.7711
0.7494	0.88	1500	0.7601	0.7825
0.5078	0.94	1600	0.6884	0.8056
0.7134	1.0	1700	0.6311	0.8160
0.4328	1.06	1800	0.5740	0.8252
0.4971	1.11	1900	0.5856	0.8290
0.5207	1.17	2000	0.6219	0.8167
0.4027	1.23	2100	0.5703	0.8266
0.5605	1.29	2200	0.5217	0.8372
0.2723	1.35	2300	0.4805	0.8565
0.401	1.41	2400	0.4811	0.8490
0.3419	1.47	2500	0.4619	0.8608
0.301	1.52	2600	0.4318	0.8712
0.2872	1.58	2700	0.4698	0.8573
0.2451	1.64	2800	0.4210	0.8729
0.2211	1.7	2900	0.3645	0.8851
0.3145	1.76	3000	0.4139	0.8715
0.2001	1.82	3100	0.3605	0.8864
0.3095	1.88	3200	0.4274	0.8675
0.1915	1.93	3300	0.2910	0.9101
0.2465	1.99	3400	0.2726	0.9103
0.1218	2.05	3500	0.2742	0.9129
0.0752	2.11	3600	0.2572	0.9183
0.1067	2.17	3700	0.2584	0.9203
0.0838	2.23	3800	0.2458	0.9212
0.1106	2.29	3900	0.2412	0.9237
0.092	2.34	4000	0.2232	0.9277
0.1056	2.4	4100	0.2817	0.9077
0.0696	2.46	4200	0.2334	0.9285
0.0444	2.52	4300	0.2142	0.9363
0.1046	2.58	4400	0.2036	0.9352
0.066	2.64	4500	0.2115	0.9365
0.0649	2.7	4600	0.1730	0.9448
0.0513	2.75	4700	0.2148	0.9339
0.0917	2.81	4800	0.1810	0.9438
0.0879	2.87	4900	0.1971	0.9388
0.1052	2.93	5000	0.1602	0.9508
0.0362	2.99	5100	0.1475	0.9556
0.041	3.05	5200	0.1328	0.9585
0.0156	3.11	5300	0.1389	0.9571
0.0047	3.17	5400	0.1224	0.9638
0.0174	3.22	5500	0.1193	0.9651
0.0087	3.28	5600	0.1276	0.9622
0.0084	3.34	5700	0.1134	0.9662
0.0141	3.4	5800	0.1239	0.9631
0.0291	3.46	5900	0.1199	0.9645
0.0049	3.52	6000	0.1103	0.9679
0.0055	3.58	6100	0.1120	0.9662
0.0061	3.63	6200	0.1071	0.9668
0.0054	3.69	6300	0.1032	0.9697
0.0041	3.75	6400	0.0961	0.9711
0.0018	3.81	6500	0.0930	0.9718
0.0032	3.87	6600	0.0918	0.9730
0.0048	3.93	6700	0.0906	0.9732
0.002	3.99	6800	0.0902	0.9731