Vit Base Patch16 224 In21k GI Diagnosis

🚀 視覺變換器 (ViT-Base) GI診斷模型

本模型是基於Transformer架構的圖像分類模型，用於胃腸道（GI）疾病的多分類診斷，在評估集上表現出色。

🚀 快速開始

本模型是 google/vit-base-patch16-224-in21k 的微調版本，在評估集上取得了以下成績：

• 損失值：0.2538
• 準確率：0.9375
• 加權F1值：0.9365
• 微平均F1值：0.9375
• 宏平均F1值：0.9365
• 加權召回率：0.9375
• 微平均召回率：0.9375
• 宏平均召回率：0.9375
• 加權精確率：0.9455
• 微平均精確率：0.9375
• 宏平均精確率：0.9455

✨ 主要特性

• 多分類診斷：這是一個用於胃腸道（GI）診斷的多分類圖像分類模型。
• 技術展示：該模型旨在展示使用技術解決複雜問題的能力。

📚 詳細文檔

模型描述

這是一個用於胃腸道（GI）診斷的多分類圖像分類模型。

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/Diagnoses%20from%20Colonoscopy%20Images/diagnosis_from_colonoscopy_image_ViT.ipynb

預期用途與限制

本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/francismon/curated-colon-dataset-for-deep-learning

訓練過程

訓練超參數

訓練期間使用了以下超參數：

• 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 4.22.2
• Pytorch 1.12.1
• Datasets 2.5.2
• Tokenizers 0.12.1

📄 許可證

本項目採用Apache 2.0許可證。