delivery_truck_classification開源圖像分類模型 - 準確識別快遞卡車，準確率97.33%

首頁

Delivery Truck Classification

由JEdward7777開發

基於Swin-Tiny架構微調的圖像分類模型，專門用於快遞卡車識別，準確率達97.33%

圖像分類

Transformers

開源協議:Apache-2.0 #快遞車輛識別 #高精度分類 #Swin-Transformer

下載量 21

發布時間 : 8/28/2022

模型概述

該模型是基於microsoft/swin-tiny-patch4-window7-224微調的圖像分類模型，主要用於快遞卡車識別任務。在評估集上表現出色，準確率達到97.33%。

模型特點

高準確率

在測試集上達到97.33%的分類準確率

基於Swin Transformer

採用先進的Swin Transformer架構，具有優秀的視覺特徵提取能力

輕量級模型

基於Tiny版本架構，適合部署在資源有限的環境中

模型能力

圖像分類

快遞卡車識別

視覺特徵提取

使用案例

物流管理

快遞車輛自動識別

用於物流園區或倉庫入口的車輛自動識別系統

準確識別率達到97.33%

運輸監控

監控系統中快遞車輛的自動分類和統計

🚀 貨車分類模型

本模型是圖像分類領域的重要工具，它基於微調的方式優化了圖像分類效果，在貨車分類任務上展現出高準確率，為相關領域的圖像分析提供了可靠支持。

🚀 快速開始

本模型是 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：0.1787
準確率：0.9733

🔧 技術細節

訓練超參數

訓練過程中使用了以下超參數：

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（β1=0.9，β2=0.999，ε=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：60

訓練結果

訓練損失	輪數	步數	驗證損失	準確率
無記錄	0.91	5	0.1787	0.9733
無記錄	1.91	10	0.1787	0.9733
無記錄	2.91	15	0.1787	0.9733
0.3799	3.91	20	0.1787	0.9733
0.3799	4.91	25	0.1787	0.9733
0.3799	5.91	30	0.1787	0.9733
0.3799	6.91	35	0.1787	0.9733
0.3648	7.91	40	0.1787	0.9733
0.3648	8.91	45	0.1787	0.9733
0.3648	9.91	50	0.1787	0.9733
0.3648	10.91	55	0.1787	0.9733
0.3954	11.91	60	0.1787	0.9733
0.3954	12.91	65	0.1787	0.9733
0.3954	13.91	70	0.1787	0.9733
0.3954	14.91	75	0.1787	0.9733
0.3926	15.91	80	0.1787	0.9733
0.3926	16.91	85	0.1787	0.9733
0.3926	17.91	90	0.1787	0.9733
0.3926	18.91	95	0.1787	0.9733
0.3801	19.91	100	0.1787	0.9733
0.3801	20.91	105	0.1787	0.9733
0.3801	21.91	110	0.1787	0.9733
0.3801	22.91	115	0.1787	0.9733
0.3815	23.91	120	0.1787	0.9733
0.3815	24.91	125	0.1787	0.9733
0.3815	25.91	130	0.1787	0.9733
0.3815	26.91	135	0.1787	0.9733
0.3955	27.91	140	0.1787	0.9733
0.3955	28.91	145	0.1787	0.9733
0.3955	29.91	150	0.1787	0.9733
0.3955	30.91	155	0.1787	0.9733
0.3854	31.91	160	0.1787	0.9733
0.3854	32.91	165	0.1787	0.9733
0.3854	33.91	170	0.1787	0.9733
0.3854	34.91	175	0.1787	0.9733
0.3949	35.91	180	0.1787	0.9733
0.3949	36.91	185	0.1787	0.9733
0.3949	37.91	190	0.1787	0.9733
0.3949	38.91	195	0.1787	0.9733
0.423	39.91	200	0.1787	0.9733
0.423	40.91	205	0.1787	0.9733
0.423	41.91	210	0.1787	0.9733
0.423	42.91	215	0.1787	0.9733
0.3761	43.91	220	0.1787	0.9733
0.3761	44.91	225	0.1787	0.9733
0.3761	45.91	230	0.1787	0.9733
0.3761	46.91	235	0.1787	0.9733
0.3673	47.91	240	0.1787	0.9733
0.3673	48.91	245	0.1787	0.9733
0.3673	49.91	250	0.1787	0.9733
0.3673	50.91	255	0.1787	0.9733
0.3639	51.91	260	0.1787	0.9733
0.3639	52.91	265	0.1787	0.9733
0.3639	53.91	270	0.1787	0.9733
0.3639	54.91	275	0.1787	0.9733
0.4031	55.91	280	0.1787	0.9733
0.4031	56.91	285	0.1787	0.9733
0.4031	57.91	290	0.1787	0.9733
0.4031	58.91	295	0.1787	0.9733
0.3787	59.91	300	0.1787	0.9733