segformer - b0 - crop - detection開源農作物分割模型，適用512x512圖像分割任務

首頁

Segformer B0 Crop Detection

由BigR-Oclock開發

基於nvidia/segformer-b0-finetuned-ade-512-512微調的農作物分割模型，適用於512x512分辨率的圖像分割任務

圖像分割

Transformers

開源協議:其他 #農作物分割 #512x512分辨率 #ADE20K微調

下載量 221

發布時間 : 3/31/2025

模型概述

該模型是針對農作物檢測優化的圖像分割模型，在BigR-Oclock/CropSegmentation數據集上微調，能夠準確識別圖像中的作物區域

模型特點

高精度作物識別

在評估集上達到0.95的作物準確率和0.475的平均交併比

輕量級架構

基於SegFormer-B0架構，適合資源受限環境部署

512x512分辨率支持

專為512x512分辨率圖像優化

模型能力

圖像分割

農作物識別

語義分割

使用案例

農業

農田作物監測

自動識別農田圖像中的作物區域

準確率95.09%

作物生長分析

通過分割結果分析作物覆蓋率和生長狀況

🚀 分割變換器B0作物檢測模型

本模型基於Transformer架構，是在nvidia/segformer-b0-finetuned-ade-512-512基礎上，針對BigR - Oclock/CropSegmentation數據集進行微調的圖像分割模型，可用於精準的作物分割檢測任務。

🚀 快速開始

該模型在評估集上取得了以下結果：

損失值：0.2364
平均交併比（Mean Iou）：0.4754
平均準確率（Mean Accuracy）：0.9509
總體準確率（Overall Accuracy）：0.9509
背景準確率（Accuracy Background）：nan
作物準確率（Accuracy Crop）：0.9509
背景交併比（Iou Background）：0.0
作物交併比（Iou Crop）：0.9509

📚 詳細文檔

訓練和評估數據

更多信息待補充。

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（learning_rate）：6e - 05
訓練批次大小（train_batch_size）：1
評估批次大小（eval_batch_size）：1
隨機種子（seed）：42
優化器（optimizer）：使用OptimizerNames.ADAMW_TORCH，其中betas=(0.9, 0.999)，epsilon = 1e - 08，無額外優化器參數
學習率調度器類型（lr_scheduler_type）：線性
訓練輪數（num_epochs）：10

訓練結果

訓練損失	輪數	步數	驗證損失	平均交併比	平均準確率	總體準確率	背景準確率	作物準確率	作物交併比
0.5159	0.1092	50	0.3885	0.4099	0.8197	0.8197	nan	0.8197	0.8197
0.3496	0.2183	100	0.2894	0.4077	0.8155	0.8155	nan	0.8155	0.8155
0.3076	0.3275	150	0.2679	0.4386	0.8773	0.8773	nan	0.8773	0.8773
0.2953	0.4367	200	0.2906	0.4444	0.8888	0.8888	nan	0.8888	0.8888
0.2322	0.5459	250	0.2511	0.3949	0.7898	0.7898	nan	0.7898	0.7898
0.2256	0.6550	300	0.2468	0.4529	0.9058	0.9058	nan	0.9058	0.9058
0.2706	0.7642	350	0.1816	0.4332	0.8663	0.8663	nan	0.8663	0.8663
0.1979	0.8734	400	0.2390	0.4521	0.9043	0.9043	nan	0.9043	0.9043
0.2527	0.9825	450	0.2981	0.3835	0.7670	0.7670	nan	0.7670	0.7670
0.1658	1.0917	500	0.1473	0.4537	0.9073	0.9073	nan	0.9073	0.9073
0.1866	1.2009	550	0.2338	0.4246	0.8492	0.8492	nan	0.8492	0.8492
0.1665	1.3100	600	0.1739	0.4639	0.9278	0.9278	nan	0.9278	0.9278
0.1692	1.4192	650	0.1808	0.4511	0.9022	0.9022	nan	0.9022	0.9022
0.1803	1.5284	700	0.2468	0.4138	0.8277	0.8277	nan	0.8277	0.8277
0.1722	1.6376	750	0.1914	0.4345	0.8691	0.8691	nan	0.8691	0.8691
0.1526	1.7467	800	0.2183	0.4396	0.8792	0.8792	nan	0.8792	0.8792
0.1409	1.8559	850	0.2273	0.4216	0.8433	0.8433	nan	0.8433	0.8433
0.169	1.9651	900	0.2728	0.4036	0.8072	0.8072	nan	0.8072	0.8072
0.1302	2.0742	950	0.2208	0.4452	0.8903	0.8903	nan	0.8903	0.8903
0.1268	2.1834	1000	0.2283	0.4253	0.8507	0.8507	nan	0.8507	0.8507
0.1271	2.2926	1050	0.1984	0.4506	0.9012	0.9012	nan	0.9012	0.9012
0.1321	2.4017	1100	0.1618	0.4560	0.9120	0.9120	nan	0.9120	0.9120
0.1345	2.5109	1150	0.1725	0.4659	0.9318	0.9318	nan	0.9318	0.9318
0.1053	2.6201	1200	0.1550	0.4574	0.9148	0.9148	nan	0.9148	0.9148
0.1245	2.7293	1250	0.1696	0.4816	0.9632	0.9632	nan	0.9632	0.9632
0.1104	2.8384	1300	0.2519	0.4330	0.8661	0.8661	nan	0.8661	0.8661
0.1105	2.9476	1350	0.1830	0.4655	0.9310	0.9310	nan	0.9310	0.9310
0.1215	3.0568	1400	0.2102	0.4596	0.9192	0.9192	nan	0.9192	0.9192
0.0995	3.1659	1450	0.2363	0.4478	0.8957	0.8957	nan	0.8957	0.8957
0.1115	3.2751	1500	0.1730	0.4717	0.9435	0.9435	nan	0.9435	0.9435
0.0998	3.3843	1550	0.2067	0.4535	0.9070	0.9070	nan	0.9070	0.9070
0.0963	3.4934	1600	0.2127	0.4701	0.9401	0.9401	nan	0.9401	0.9401
0.0985	3.6026	1650	0.1695	0.4686	0.9371	0.9371	nan	0.9371	0.9371
0.0822	3.7118	1700	0.2069	0.4494	0.8988	0.8988	nan	0.8988	0.8988
0.1065	3.8210	1750	0.2140	0.4590	0.9179	0.9179	nan	0.9179	0.9179
0.0849	3.9301	1800	0.2108	0.4592	0.9183	0.9183	nan	0.9183	0.9183
0.0917	4.0393	1850	0.1940	0.4668	0.9336	0.9336	nan	0.9336	0.9336
0.0793	4.1485	1900	0.1795	0.4649	0.9298	0.9298	nan	0.9298	0.9298
0.0851	4.2576	1950	0.2118	0.4462	0.8924	0.8924	nan	0.8924	0.8924
0.0951	4.3668	2000	0.2864	0.4212	0.8424	0.8424	nan	0.8424	0.8424
0.0805	4.4760	2050	0.1498	0.4683	0.9366	0.9366	nan	0.9366	0.9366
0.085	4.5852	2100	0.2223	0.4514	0.9028	0.9028	nan	0.9028	0.9028
0.0736	4.6943	2150	0.1860	0.4695	0.9390	0.9390	nan	0.9390	0.9390
0.079	4.8035	2200	0.2069	0.4653	0.9305	0.9305	nan	0.9305	0.9305
0.0701	4.9127	2250	0.1728	0.4724	0.9448	0.9448	nan	0.9448	0.9448
0.0994	5.0218	2300	0.2480	0.4602	0.9204	0.9204	nan	0.9204	0.9204
0.0749	5.1310	2350	0.1951	0.4663	0.9325	0.9325	nan	0.9325	0.9325
0.0691	5.2402	2400	0.2103	0.4568	0.9136	0.9136	nan	0.9136	0.9136
0.0653	5.3493	2450	0.1794	0.4570	0.9140	0.9140	nan	0.9140	0.9140
0.0621	5.4585	2500	0.1971	0.4715	0.9430	0.9430	nan	0.9430	0.9430
0.073	5.5677	2550	0.1905	0.4589	0.9179	0.9179	nan	0.9179	0.9179
0.0658	5.6769	2600	0.2289	0.4791	0.9581	0.9581	nan	0.9581	0.9581
0.0727	5.7860	2650	0.1976	0.4769	0.9539	0.9539	nan	0.9539	0.9539
0.0756	5.8952	2700	0.1724	0.4687	0.9373	0.9373	nan	0.9373	0.9373
0.0756	6.0044	2750	0.1867	0.4566	0.9133	0.9133	nan	0.9133	0.9133
0.0695	6.1135	2800	0.1944	0.4715	0.9430	0.9430	nan	0.9430	0.9430
0.0683	6.2227	2850	0.2176	0.4744	0.9488	0.9488	nan	0.9488	0.9488
0.061	6.3319	2900	0.1959	0.4663	0.9326	0.9326	nan	0.9326	0.9326
0.06	6.4410	2950	0.2090	0.4615	0.9230	0.9230	nan	0.9230	0.9230
0.0537	6.5502	3000	0.2119	0.4735	0.9469	0.9469	nan	0.9469	0.9469
0.0529	6.6594	3050	0.2043	0.4568	0.9136	0.9136	nan	0.9136	0.9136
0.08	6.7686	3100	0.2130	0.4566	0.9132	0.9132	nan	0.9132	0.9132
0.0632	6.8777	3150	0.1993	0.4692	0.9384	0.9384	nan	0.9384	0.9384
0.0641	6.9869	3200	0.2408	0.4454	0.8909	0.8909	nan	0.8909	0.8909
0.0517	7.0961	3250	0.1836	0.4770	0.9540	0.9540	nan	0.9540	0.9540
0.0584	7.2052	3300	0.1983	0.4643	0.9285	0.9285	nan	0.9285	0.9285
0.0559	7.3144	3350	0.2036	0.4609	0.9217	0.9217	nan	0.9217	0.9217
0.0621	7.4236	3400	0.2058	0.4764	0.9528	0.9528	nan	0.9528	0.9528
0.0641	7.5328	3450	0.2136	0.4657	0.9314	0.9314	nan	0.9314	0.9314
0.0481	7.6419	3500	0.1938	0.4699	0.9398	0.9398	nan	0.9398	0.9398
0.061	7.7511	3550	0.1979	0.4772	0.9545	0.9545	nan	0.9545	0.9545
0.0561	7.8603	3600	0.2271	0.4691	0.9382	0.9382	nan	0.9382	0.9382
0.0629	7.9694	3650	0.2220	0.4596	0.9192	0.9192	nan	0.9192	0.9192
0.0625	8.0786	3700	0.2422	0.4547	0.9094	0.9094	nan	0.9094	0.9094
0.0479	8.1878	3750	0.2360	0.4791	0.9581	0.9581	nan	0.9581	0.9581
0.0471	8.2969	3800	0.1981	0.4713	0.9427	0.9427	nan	0.9427	0.9427
0.0612	8.4061	3850	0.2427	0.4740	0.9479	0.9479	nan	0.9479	0.9479
0.0526	8.5153	3900	0.2516	0.4716	0.9432	0.9432	nan	0.9432	0.9432
0.0573	8.6245	3950	0.2240	0.4663	0.9325	0.9325	nan	0.9325	0.9325
0.0532	8.7336	4000	0.2539	0.4830	0.9659	0.9659	nan	0.9659	0.9659
0.0537	8.8428	4050	0.2202	0.4633	0.9267	0.9267	nan	0.9267	0.9267
0.0481	8.9520	4100	0.2155	0.4617	0.9234	0.9234	nan	0.9234	0.9234
0.0461	9.0611	4150	0.2217	0.4590	0.9181	0.9181	nan	0.9181	0.9181
0.0486	9.1703	4200	0.2748	0.4420	0.8841	0.8841	nan	0.8841	0.8841
0.0485	9.2795	4250	0.2172	0.4680	0.9360	0.9360	nan	0.9360	0.9360
0.0559	9.3886	4300	0.2285	0.4717	0.9434	0.9434	nan	0.9434	0.9434
0.0434	9.4978	4350	0.2288	0.4749	0.9498	0.9498	nan	0.9498	0.9498
0.0522	9.6070	4400	0.2420	0.4609	0.9218	0.9218	nan	0.9218	0.9218
0.0453	9.7162	4450	0.2370	0.4741	0.9481	0.9481	nan	0.9481	0.9481
0.0538	9.8253	4500	0.2464	0.4565	0.9130	0.9130	nan	0.9130	0.9130
0.0513	9.9345	4550	0.2364	0.4754	0.9509	0.9509	nan	0.9509	0.9509

框架版本

Transformers 4.50.3
Pytorch 2.6.0+cu118
Datasets 3.5.0
Tokenizers 0.21.1

📄 許可證

許可證類型：其他

🔧 技術細節

模型描述

更多信息待補充。

預期用途和限制

更多信息待補充。

信息表格

屬性	詳情
模型類型	分割變換器B0作物檢測模型
基礎模型	nvidia/segformer-b0-finetuned-ade-512-512
標籤	視覺、圖像分割、由訓練器生成
模型索引名稱	segformer-b0-crop-detection