detr_finetuned_candy开源目标检测模型 - 精准识别糖果相关目标

首页

Detr Finetuned Candy

由 sahand1 开发

基于microsoft/conditional-detr-resnet-50微调的目标检测模型，在糖果相关数据集上训练

目标检测

Transformers

开源协议:Apache-2.0 #糖果图案检测 #小目标识别 #图像微调模型

下载量 16

发布时间 : 11/6/2024

模型简介

该模型是基于Conditional DETR架构的目标检测模型，专门针对糖果相关物体进行了微调。能够检测包括猫、星星、昆虫、月亮、猫头鹰和独角兽等多种物体。

模型特点

基于Conditional DETR架构

采用先进的Conditional DETR架构，结合ResNet-50骨干网络，提供高效的目标检测能力

糖果相关物体检测

专门针对糖果包装或相关场景中的物体进行了优化和微调

多类别检测

能够检测包括猫、星星、昆虫、月亮、猫头鹰和独角兽等多种物体

模型能力

目标检测

多类别识别

图像分析

使用案例

食品包装检测

糖果包装质量检测

检测糖果包装上的图案和标志是否正确

教育应用

儿童认知辅助

帮助儿童识别糖果包装上的各种图案

🚀 detr_finetuned_candy

该模型是 microsoft/conditional-detr-resnet-50 在 imagefolder 数据集上的微调版本。它在图像目标检测任务中，基于预训练模型进行了针对性优化，以适应特定数据集的特征，从而提升检测性能。

🚀 快速开始

此模型是在 imagefolder 数据集上对 microsoft/conditional-detr-resnet-50 进行微调得到的。它在评估集上取得了以下结果：

损失值（Loss）：2.2689
平均精度均值（Map）：0.007
50% 交并比下的平均精度均值（Map 50）：0.0117
75% 交并比下的平均精度均值（Map 75）：0.0077
小目标的平均精度均值（Map Small）：0.0065
中等目标的平均精度均值（Map Medium）：0.0184
大目标的平均精度均值（Map Large）：-1.0
每个图像一个检测框的平均召回率（Mar 1）：0.0
每个图像 10 个检测框的平均召回率（Mar 10）：0.1143
每个图像 100 个检测框的平均召回率（Mar 100）：0.2286
小目标每个图像 100 个检测框的平均召回率（Mar Small）：0.2
中等目标每个图像 100 个检测框的平均召回率（Mar Medium）：0.24
大目标每个图像 100 个检测框的平均召回率（Mar Large）：-1.0
黑色星星类别的平均精度均值（Map Black Star）：0.0
黑色星星类别每个图像 100 个检测框的平均召回率（Mar 100 Black Star）：0.0
猫类别的平均精度均值（Map Cat）：0.0381
猫类别每个图像 100 个检测框的平均召回率（Mar 100 Cat）：0.8
灰色星星类别的平均精度均值（Map Grey Star）：0.0034
灰色星星类别每个图像 100 个检测框的平均召回率（Mar 100 Grey Star）：0.4
昆虫类别的平均精度均值（Map Insect）：0.0
昆虫类别每个图像 100 个检测框的平均召回率（Mar 100 Insect）：0.0
月亮类别的平均精度均值（Map Moon）：0.0
月亮类别每个图像 100 个检测框的平均召回率（Mar 100 Moon）：0.0
猫头鹰类别的平均精度均值（Map Owl）：0.0
猫头鹰类别每个图像 100 个检测框的平均召回率（Mar 100 Owl）：0.0
独角兽头类别的平均精度均值（Map Unicorn Head）：0.0077
独角兽头类别每个图像 100 个检测框的平均召回率（Mar 100 Unicorn Head）：0.4
独角兽整体类别的平均精度均值（Map Unicorn Whole）：-1.0
独角兽整体类别每个图像 100 个检测框的平均召回率（Mar 100 Unicorn Whole）：-1.0

📚 详细文档

训练过程

训练超参数

训练过程中使用了以下超参数：

属性	详情
学习率（learning_rate）	5e-05
训练批次大小（train_batch_size）	8
评估批次大小（eval_batch_size）	8
随机种子（seed）	42
优化器（optimizer）	Adam（β1=0.9，β2=0.999，ε=1e-08）
学习率调度器类型（lr_scheduler_type）	余弦退火（cosine）
训练轮数（num_epochs）	100

训练结果

训练损失（Training Loss）	轮数（Epoch）	步数（Step）	验证损失（Validation Loss）	平均精度均值（Map）	50% 交并比下的平均精度均值（Map 50）	75% 交并比下的平均精度均值（Map 75）	小目标的平均精度均值（Map Small）	中等目标的平均精度均值（Map Medium）	大目标的平均精度均值（Map Large）	每个图像一个检测框的平均召回率（Mar 1）	每个图像 10 个检测框的平均召回率（Mar 10）	每个图像 100 个检测框的平均召回率（Mar 100）	小目标每个图像 100 个检测框的平均召回率（Mar Small）	中等目标每个图像 100 个检测框的平均召回率（Mar Medium）	大目标每个图像 100 个检测框的平均召回率（Mar Large）	黑色星星类别的平均精度均值（Map Black Star）	黑色星星类别每个图像 100 个检测框的平均召回率（Mar 100 Black Star）	猫类别的平均精度均值（Map Cat）	猫类别每个图像 100 个检测框的平均召回率（Mar 100 Cat）	灰色星星类别的平均精度均值（Map Grey Star）	灰色星星类别每个图像 100 个检测框的平均召回率（Mar 100 Grey Star）	昆虫类别的平均精度均值（Map Insect）	昆虫类别每个图像 100 个检测框的平均召回率（Mar 100 Insect）	月亮类别的平均精度均值（Map Moon）	月亮类别每个图像 100 个检测框的平均召回率（Mar 100 Moon）	猫头鹰类别的平均精度均值（Map Owl）	猫头鹰类别每个图像 100 个检测框的平均召回率（Mar 100 Owl）	独角兽头类别的平均精度均值（Map Unicorn Head）	独角兽头类别每个图像 100 个检测框的平均召回率（Mar 100 Unicorn Head）	独角兽整体类别的平均精度均值（Map Unicorn Whole）	独角兽整体类别每个图像 100 个检测框的平均召回率（Mar 100 Unicorn Whole）
无日志（No log）	1.0	1	43.4627	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.0
无日志（No log）	2.0	2	38.1840	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	-1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
无日志（No log）	39.0	39	3.0267	0.0056	0.0096	0.0053	0.0	0.0095	-1.0	0.0	0.1143	0.1571	0.0	0.22	-1.0	0.0	0.0	0.0296	0.8	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0097	0.3	-1.0	-1.0
无日志（No log）	40.0	40	3.0128	0.0059	0.0096	0.0049	0.0	0.0095	-1.0	0.0	0.1286	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...