Vit Base Patch16 224 In21k Weather Images Classification

🚀 天氣圖像分類模型（vit-base-patch16-224-in21k）

本模型是基於 google/vit-base-patch16-224-in21k 在 imagefolder 數據集上進行微調的版本。它能夠對天氣圖像進行分類，在圖像分類任務中表現出色，為天氣圖像的自動識別提供了有效的解決方案。

🚀 快速開始

本模型是 google/vit-base-patch16-224-in21k 在 imagefolder 數據集上的微調版本，在評估集上取得了以下結果：

• 損失值：0.2255
• 準確率：0.9340
• 加權 F1 值：0.9341
• 微觀 F1 值：0.9340
• 宏觀 F1 值：0.9372
• 加權召回率：0.9340
• 微觀召回率：0.9340
• 宏觀召回率：0.9354
• 加權精確率：0.9347
• 微觀精確率：0.9340
• 宏觀精確率：0.9398

✨ 主要特性

• 精準分類：在天氣圖像分類任務上表現優異，各項評估指標（如準確率、F1 值、召回率、精確率）都達到了較高水平。
• 可復現性：詳細記錄了訓練過程中的超參數和訓練結果，方便用戶復現模型訓練過程。

📚 詳細文檔

模型描述

這是一個天氣圖像分類模型。有關其創建方式的更多信息，請查看以下鏈接：https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Image%20Classification/Multiclass%20Classification/Weather%20Images/Weather_Images_ViT.ipynb

預期用途與限制

該模型旨在展示使用技術解決複雜問題的能力。

訓練和評估數據

數據集來源：https://www.kaggle.com/datasets/jehanbhathena/weather-dataset

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：3

訓練結果

框架版本

• Transformers 4.25.1
• Pytorch 1.12.1
• Datasets 2.8.0
• Tokenizers 0.12.1

📄 許可證

本模型採用 Apache-2.0 許可證。