swin-tiny圖像分類模型 - 開源免費，特定數據集微調用於精準圖像分類

首頁

Swin Tiny Patch4 Window7 224 Finetuned Woody LeftGR 130epochs

由Alex-VisTas開發

基於Swin Transformer Tiny架構的圖像分類模型，在特定圖像數據集上微調130輪次

圖像分類

Transformers

開源協議:Apache-2.0 #高精度圖像分類 #SwinTransformer微調 #小窗口注意力

下載量 12

發布時間 : 10/27/2022

模型概述

這是一個基於微軟Swin Transformer Tiny架構的視覺Transformer模型，經過130輪次微調訓練，專門用於圖像分類任務。在評估集上達到90.47%的準確率。

模型特點

高準確率

在評估集上達到90.47%的分類準確率

Swin Transformer架構

採用分層窗口注意力機制的高效視覺Transformer架構

長期訓練

經過130輪次的精細微調訓練

模型能力

圖像分類

視覺特徵提取

使用案例

圖像識別

物體分類

對圖像中的主要物體進行分類識別

90.47%的評估準確率

🚀 swin-tiny-patch4-window7-224-finetuned-woody_LeftGR_130epochs

該模型是 microsoft/swin-tiny-patch4-window7-224 在 imagefolder 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：0.3377
準確率：0.9047

🚀 快速開始

本模型是基於 microsoft/swin-tiny-patch4-window7-224 在 imagefolder 數據集上微調得到的，可用於圖像分類任務。

✨ 主要特性

基於微調的 Swin-Tiny 架構，在 imagefolder 數據集上有較好的圖像分類性能。
訓練過程中設置了一系列合適的超參數，經過 130 個 epoch 的訓練。

📚 詳細文檔

模型描述

此模型為 microsoft/swin-tiny-patch4-window7-224 在 imagefolder 數據集上微調後的版本。

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。

🔧 技術細節

訓練過程

訓練超參數

訓練期間使用了以下超參數：

學習率：5e-05
訓練批次大小：32
評估批次大小：32
隨機種子：42
梯度累積步數：4
總訓練批次大小：128
優化器：Adam，其中 betas=(0.9, 0.999)，epsilon=1e-08
學習率調度器類型：線性
學習率調度器預熱比例：0.1
訓練輪數：130

訓練結果

訓練損失	輪數	步數	驗證損失	準確率
0.6614	1.0	61	0.6404	0.6521
0.5982	2.0	122	0.5548	0.7107
0.579	3.0	183	0.5390	0.7141
0.5621	4.0	244	0.4920	0.7623
0.5567	5.0	305	0.5375	0.7313
0.5271	6.0	366	0.5542	0.7405
0.5312	7.0	427	0.4573	0.7876
0.5477	8.0	488	0.4540	0.7784
0.5554	9.0	549	0.4932	0.7635
0.5247	10.0	610	0.4407	0.7968
0.5239	11.0	671	0.4479	0.7842
0.5294	12.0	732	0.4509	0.7910
0.531	13.0	793	0.4419	0.7933
0.5493	14.0	854	0.4646	0.7784
0.4934	15.0	915	0.4310	0.7968
0.4965	16.0	976	0.4449	0.7876
0.4946	17.0	1037	0.4342	0.8129
0.4716	18.0	1098	0.4129	0.8140
0.4679	19.0	1159	0.4290	0.8002
0.4799	20.0	1220	0.4356	0.7842
0.4744	21.0	1281	0.4042	0.8094
0.4512	22.0	1342	0.3953	0.8117
0.4633	23.0	1403	0.4157	0.7956
0.4528	24.0	1464	0.3920	0.8094
0.4427	25.0	1525	0.3930	0.8220
0.4238	26.0	1586	0.3891	0.8140
0.4257	27.0	1647	0.3700	0.8255
0.4102	28.0	1708	0.4122	0.7968
0.4505	29.0	1769	0.4210	0.7945
0.3973	30.0	1830	0.3923	0.8197
0.3824	31.0	1891	0.3908	0.8473
0.3887	32.0	1952	0.3897	0.8312
0.3723	33.0	2013	0.3747	0.8381
0.3608	34.0	2074	0.3706	0.8301
0.3718	35.0	2135	0.3937	0.8255
0.3692	36.0	2196	0.3984	0.8037
0.3533	37.0	2257	0.3792	0.8335
0.3625	38.0	2318	0.4070	0.8163
0.3633	39.0	2379	0.4130	0.8232
0.3602	40.0	2440	0.3996	0.8186
0.3557	41.0	2501	0.3756	0.8335
0.3373	42.0	2562	0.3914	0.8220
0.3102	43.0	2623	0.4165	0.8507
0.3135	44.0	2684	0.3852	0.8278
0.3286	45.0	2745	0.4164	0.8450
0.316	46.0	2806	0.3498	0.8496
0.2802	47.0	2867	0.3887	0.8462
0.3184	48.0	2928	0.3829	0.8576
0.2785	49.0	2989	0.3627	0.8485
0.2988	50.0	3050	0.3679	0.8370
0.267	51.0	3111	0.3528	0.8645
0.2907	52.0	3172	0.3538	0.8519
0.2857	53.0	3233	0.3593	0.8530
0.2651	54.0	3294	0.3732	0.8439
0.2447	55.0	3355	0.3441	0.8542
0.2542	56.0	3416	0.3897	0.8576
0.2634	57.0	3477	0.4082	0.8657
0.2505	58.0	3538	0.3416	0.8657
0.2555	59.0	3599	0.3725	0.8576
0.2466	60.0	3660	0.3496	0.8680
0.2585	61.0	3721	0.3214	0.8783
0.235	62.0	3782	0.3584	0.8737
0.215	63.0	3843	0.3467	0.8657
0.236	64.0	3904	0.3471	0.8829
0.2211	65.0	3965	0.3318	0.8863
0.1989	66.0	4026	0.3645	0.8852
0.2133	67.0	4087	0.3456	0.8898
0.2169	68.0	4148	0.3287	0.8852
0.223	69.0	4209	0.3182	0.8921
0.2379	70.0	4270	0.3260	0.8840
0.2149	71.0	4331	0.3230	0.8886
0.2007	72.0	4392	0.3926	0.8760
0.2091	73.0	4453	0.4133	0.8783
0.2229	74.0	4514	0.3867	0.8772
0.1903	75.0	4575	0.3594	0.8840
0.2124	76.0	4636	0.3388	0.8875
0.1999	77.0	4697	0.3305	0.8875
0.2053	78.0	4758	0.4670	0.8840
0.1958	79.0	4819	0.3468	0.8909
0.1839	80.0	4880	0.3902	0.8886
0.1715	81.0	4941	0.3830	0.8875
0.1803	82.0	5002	0.3134	0.8967
0.1803	83.0	5063	0.3935	0.8909
0.1865	84.0	5124	0.3882	0.8863
0.1884	85.0	5185	0.3485	0.8990
0.1663	86.0	5246	0.3667	0.8944
0.1665	87.0	5307	0.3545	0.8932
0.1556	88.0	5368	0.3882	0.8944
0.18	89.0	5429	0.3751	0.8898
0.1974	90.0	5490	0.3979	0.8863
0.1622	91.0	5551	0.3623	0.8967
0.1657	92.0	5612	0.3855	0.8978
0.1672	93.0	5673	0.3722	0.8944
0.1807	94.0	5734	0.3994	0.8932
0.1419	95.0	5795	0.4017	0.8863
0.178	96.0	5856	0.4168	0.8886
0.1402	97.0	5917	0.3727	0.8944
0.1427	98.0	5978	0.3919	0.8967
0.1318	99.0	6039	0.3843	0.8955
0.1417	100.0	6100	0.4017	0.8898
0.1536	101.0	6161	0.3613	0.8955
0.1631	102.0	6222	0.3377	0.9047
0.1459	103.0	6283	0.3724	0.8967
0.1499	104.0	6344	0.3934	0.8955
0.1572	105.0	6405	0.3368	0.8967
0.1308	106.0	6466	0.3782	0.8990
0.1535	107.0	6527	0.3306	0.9024
0.125	108.0	6588	0.4076	0.8898
0.1339	109.0	6649	0.3628	0.8990
0.148	110.0	6710	0.3672	0.9013
0.1725	111.0	6771	0.4006	0.8909
0.1326	112.0	6832	0.4117	0.8921
0.1438	113.0	6893	0.3927	0.8978
0.1205	114.0	6954	0.3612	0.8990
0.1531	115.0	7015	0.3594	0.8932
0.1473	116.0	7076	0.4490	0.8875
0.1388	117.0	7137	0.3952	0.8921
0.136	118.0	7198	0.4098	0.8921
0.1579	119.0	7259	0.3595	0.9013
0.1359	120.0	7320	0.3970	0.8944
0.1314	121.0	7381	0.4092	0.8932
0.1337	122.0	7442	0.4192	0.8909
0.1538	123.0	7503	0.4154	0.8898
0.119	124.0	7564	0.4120	0.8909
0.1353	125.0	7625	0.4060	0.8921
0.1489	126.0	7686	0.4162	0.8909
0.1554	127.0	7747	0.4148	0.8944
0.1558	128.0	7808	0.4169	0.8944
0.1268	129.0	7869	0.4110	0.8955
0.1236	130.0	7930	0.4197	0.8944