segformer-b0開源圖像分割模型 - 免費部署實現高精度語義分割任務

首頁

Segformer B0 Finetuned Morphpadver1 Hgo Coord V2

由NICOPOI-9開發

基於SegFormer架構的輕量級圖像分割模型，在NICOPOI-9/morphpad_coord_hgo_512_4class數據集上微調，專用於高精度語義分割任務。

圖像分割

Transformers

開源協議:其他 #高精度圖像分割 #醫學圖像處理 #微調優化

下載量 23

發布時間 : 4/25/2025

模型概述

該模型是SegFormer-B0的微調版本，針對特定圖像分割任務優化，在評估集上表現出極高的準確率（平均交併比0.9952）和穩定性。

模型特點

高精度分割

在評估集上達到0.9952的平均交併比，各方向角度分割準確率均超過99%

輕量級架構

基於SegFormer-B0的輕量級設計，適合資源受限環境部署

多角度適應

針對0°和90°不同角度的目標分割均有優異表現（0-0準確率99.93%，90-90準確率99.83%）

模型能力

圖像語義分割

多類別像素級分類

高精度邊緣檢測

使用案例

醫學圖像分析

組織形態學分析

用於病理切片中特定組織結構的精確分割

在測試集上達到99.56%的平均準確率

工業檢測

機械部件定位

識別和定位不同角度的工業零件

各角度檢測準確率均超過99.5%

🚀 segformer-b0-finetuned-morphpadver1-hgo-coord-v2

該模型是基於NICOPOI-9/segformer-b0-finetuned-morphpadver1-hgo-coord-v1在NICOPOI-9/morphpad_coord_hgo_512_4class數據集上進行微調的版本。它在評估集上取得了以下結果：

損失值：0.0408
平均交併比（Mean Iou）：0.9952
平均準確率：0.9976
整體準確率：0.9976
準確率 0 - 0：0.9993
準確率 0 - 90：0.9958
準確率 90 - 0：0.9969
準確率 90 - 90：0.9983
交併比 0 - 0：0.9975
交併比 0 - 90：0.9929
交併比 90 - 0：0.9949
交併比 90 - 90：0.9955

📚 詳細文檔

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，β值為(0.9, 0.999)，ε值為 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）：60

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	整體準確率	準確率 0 - 0	準確率 0 - 90	準確率 90 - 0	準確率 90 - 90	交併比 0 - 0	交併比 0 - 90	交併比 90 - 0	交併比 90 - 90
0.0654	2.5445	4000	0.1134	0.9236	0.9604	0.9602	0.9729	0.9373	0.9642	0.9674	0.9265	0.9144	0.9233	0.9301
0.0552	5.0891	8000	0.1426	0.9161	0.9562	0.9561	0.9607	0.9538	0.9547	0.9555	0.9166	0.9146	0.9112	0.9218
0.0469	7.6336	12000	0.0633	0.9556	0.9774	0.9773	0.9811	0.9714	0.9744	0.9826	0.9588	0.9516	0.9545	0.9576
0.0378	10.1781	16000	0.0506	0.9650	0.9822	0.9822	0.9826	0.9773	0.9844	0.9844	0.9661	0.9601	0.9643	0.9696
0.0582	12.7226	20000	0.0402	0.9737	0.9867	0.9866	0.9925	0.9891	0.9791	0.9860	0.9774	0.9700	0.9699	0.9774
0.0322	15.2672	24000	0.0453	0.9707	0.9850	0.9851	0.9809	0.9843	0.9909	0.9840	0.9746	0.9715	0.9637	0.9728
0.0254	17.8117	28000	0.1030	0.9652	0.9823	0.9822	0.9895	0.9808	0.9748	0.9841	0.9761	0.9599	0.9583	0.9666
2.3028	20.3562	32000	0.0572	0.9745	0.9871	0.9870	0.9861	0.9839	0.9885	0.9896	0.9789	0.9717	0.9700	0.9773
0.0769	22.9008	36000	0.0225	0.9866	0.9932	0.9932	0.9960	0.9899	0.9939	0.9932	0.9893	0.9837	0.9849	0.9884
0.0512	25.4453	40000	0.0329	0.9850	0.9924	0.9924	0.9959	0.9867	0.9954	0.9917	0.9857	0.9820	0.9843	0.9878
0.3281	27.9898	44000	0.0301	0.9866	0.9933	0.9932	0.9958	0.9913	0.9907	0.9952	0.9899	0.9858	0.9843	0.9863
0.1536	30.5344	48000	0.0355	0.9889	0.9944	0.9944	0.9981	0.9927	0.9920	0.9949	0.9941	0.9855	0.9880	0.9880
0.0079	33.0789	52000	0.0256	0.9933	0.9966	0.9966	0.9979	0.9951	0.9961	0.9974	0.9956	0.9917	0.9934	0.9924
0.0074	35.6234	56000	0.0205	0.9938	0.9969	0.9969	0.9983	0.9970	0.9966	0.9956	0.9963	0.9923	0.9928	0.9939
0.0077	38.1679	60000	0.0255	0.9933	0.9967	0.9966	0.9985	0.9946	0.9964	0.9971	0.9954	0.9925	0.9919	0.9934
0.0061	40.7125	64000	0.0282	0.9945	0.9972	0.9972	0.9987	0.9958	0.9974	0.9969	0.9967	0.9916	0.9950	0.9945
0.0051	43.2570	68000	0.0262	0.9937	0.9969	0.9968	0.9987	0.9949	0.9959	0.9979	0.9968	0.9916	0.9934	0.9930
0.0047	45.8015	72000	0.0564	0.9912	0.9956	0.9956	0.9991	0.9950	0.9940	0.9943	0.9958	0.9882	0.9897	0.9912
0.0046	48.3461	76000	0.0492	0.9939	0.9969	0.9969	0.9992	0.9941	0.9974	0.9970	0.9969	0.9903	0.9938	0.9945
0.0552	50.8906	80000	0.0438	0.9948	0.9974	0.9974	0.9992	0.9966	0.9967	0.9972	0.9980	0.9924	0.9948	0.9941
0.0039	53.4351	84000	0.0361	0.9953	0.9976	0.9976	0.9991	0.9961	0.9973	0.9981	0.9975	0.9928	0.9952	0.9956
0.0034	55.9796	88000	0.0317	0.9958	0.9979	0.9979	0.9993	0.9964	0.9974	0.9985	0.9979	0.9937	0.9955	0.9963
0.0149	58.5242	92000	0.0408	0.9952	0.9976	0.9976	0.9993	0.9958	0.9969	0.9983	0.9975	0.9929	0.9949	0.9955