hf_train_output開源圖像分類模型 - 精準識別岩石冰川，準確率高達92.58%

首頁

Hf Train Output

由venetis開發

該模型是基於Google的ViT-base-patch16-224-in21k在岩石冰川數據集上微調的圖像分類模型，準確率達92.58%。

圖像分類

Transformers

開源協議:Apache-2.0 #岩石冰川分類 #高精度ViT #遙感圖像分析

下載量 28

發布時間 : 11/19/2022

模型概述

這是一個專門用於岩石冰川圖像分類的視覺Transformer模型，適用於地質遙感圖像分析任務。

模型特點

高精度分類

在岩石冰川數據集上達到92.58%的分類準確率

基於ViT架構

採用Vision Transformer基礎架構，具有強大的特徵提取能力

精細調優

通過50輪訓練和超參數優化獲得最佳性能

模型能力

岩石冰川圖像分類

地質遙感圖像分析

高分辨率圖像處理

使用案例

地質研究

冰川變化監測

用於識別和分類不同類型的岩石冰川

準確率92.58%

環境監測

冰川退化評估

幫助研究人員評估冰川變化趨勢

🚀 hf_train_output

該模型是基於 google/vit-base-patch16-224-in21k 在 rock-glacier-dataset 數據集上進行微調的版本。它在評估集上取得了如下結果：

損失值：0.3894
準確率：0.9258

📚 詳細文檔

模型描述

此模型是對 google/vit-base-patch16-224-in21k 的微調版本，在 rock-glacier-dataset 數據集上進行訓練。

預期用途與限制

文檔未提供相關信息。

訓練和評估數據

文檔未提供相關信息。

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：1e-05
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：50
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
0.5619	0.55	50	0.5432	0.7692
0.4582	1.1	100	0.4435	0.8352
0.3548	1.65	150	0.3739	0.8599
0.217	2.2	200	0.2913	0.9093
0.1709	2.75	250	0.2619	0.9148
0.0919	3.3	300	0.2475	0.9148
0.0652	3.85	350	0.3275	0.8901
0.0495	4.4	400	0.2515	0.9093
0.0321	4.95	450	0.2878	0.9066
0.0247	5.49	500	0.2612	0.9148
0.017	6.04	550	0.2687	0.9176
0.0131	6.59	600	0.3062	0.9093
0.0113	7.14	650	0.2587	0.9231
0.0099	7.69	700	0.2815	0.9203
0.009	8.24	750	0.2675	0.9286
0.0084	8.79	800	0.2711	0.9286
0.0077	9.34	850	0.2663	0.9313
0.0073	9.89	900	0.3003	0.9258
0.0069	10.44	950	0.2758	0.9313
0.0064	10.99	1000	0.2999	0.9258
0.0061	11.54	1050	0.2931	0.9313
0.0057	12.09	1100	0.2989	0.9313
0.0056	12.64	1150	0.2974	0.9313
0.0053	13.19	1200	0.3099	0.9258
0.005	13.74	1250	0.3131	0.9313
0.0049	14.29	1300	0.3201	0.9258
0.0046	14.84	1350	0.3109	0.9313
0.0045	15.38	1400	0.3168	0.9313
0.0043	15.93	1450	0.3226	0.9231
0.0042	16.48	1500	0.3234	0.9231
0.0041	17.03	1550	0.3283	0.9258
0.0039	17.58	1600	0.3304	0.9258
0.0038	18.13	1650	0.3321	0.9231
0.0037	18.68	1700	0.3362	0.9231
0.0036	19.23	1750	0.3307	0.9286
0.0035	19.78	1800	0.3357	0.9231
0.0034	20.33	1850	0.3244	0.9313
0.0033	20.88	1900	0.3497	0.9231
0.0032	21.43	1950	0.3443	0.9231
0.0031	21.98	2000	0.3398	0.9286
0.003	22.53	2050	0.3388	0.9286
0.003	23.08	2100	0.3399	0.9286
0.0029	23.63	2150	0.3548	0.9231
0.0028	24.18	2200	0.3475	0.9286
0.0028	24.73	2250	0.3480	0.9286
0.0027	25.27	2300	0.3542	0.9231
0.0026	25.82	2350	0.3589	0.9231
0.0026	26.37	2400	0.3449	0.9286
0.0025	26.92	2450	0.3604	0.9231
0.0025	27.47	2500	0.3493	0.9286
0.0024	28.02	2550	0.3631	0.9258
0.0024	28.57	2600	0.3590	0.9258
0.0023	29.12	2650	0.3604	0.9258
0.0023	29.67	2700	0.3667	0.9258
0.0022	30.22	2750	0.3571	0.9286
0.0022	30.77	2800	0.3660	0.9258
0.0021	31.32	2850	0.3638	0.9286
0.0021	31.87	2900	0.3729	0.9258
0.0021	32.42	2950	0.3706	0.9258
0.002	32.97	3000	0.3669	0.9286
0.002	33.52	3050	0.3740	0.9258
0.002	34.07	3100	0.3693	0.9286
0.002	34.62	3150	0.3700	0.9286
0.0019	35.16	3200	0.3752	0.9258
0.0019	35.71	3250	0.3753	0.9258
0.0019	36.26	3300	0.3721	0.9286
0.0018	36.81	3350	0.3764	0.9258
0.0018	37.36	3400	0.3758	0.9258
0.0018	37.91	3450	0.3775	0.9258
0.0018	38.46	3500	0.3812	0.9258
0.0018	39.01	3550	0.3817	0.9258
0.0017	39.56	3600	0.3815	0.9258
0.0017	40.11	3650	0.3825	0.9258
0.0017	40.66	3700	0.3852	0.9258
0.0017	41.21	3750	0.3854	0.9258
0.0017	41.76	3800	0.3823	0.9258
0.0016	42.31	3850	0.3829	0.9258
0.0016	42.86	3900	0.3873	0.9258
0.0016	43.41	3950	0.3842	0.9258
0.0016	43.96	4000	0.3857	0.9258
0.0016	44.51	4050	0.3873	0.9258
0.0016	45.05	4100	0.3878	0.9258
0.0016	45.6	4150	0.3881	0.9258
0.0016	46.15	4200	0.3888	0.9258
0.0016	46.7	4250	0.3891	0.9258
0.0016	47.25	4300	0.3878	0.9258
0.0016	47.8	4350	0.3890	0.9258
0.0016	48.35	4400	0.3890	0.9258
0.0015	48.9	4450	0.3895	0.9258
0.0015	49.45	4500	0.3896	0.9258
0.0015	50.0	4550	0.3894	0.9258