segformer - b4开源裂缝分割模型 - 免费检测图像中裂缝结构

首页

Segformer B4 Crack Segmentation Dataset

由 varcoder 开发

基于SegFormer架构的裂缝分割模型，在裂缝分割数据集上微调，用于检测图像中的裂缝结构

图像分割

Transformers

英语开源协议:其他 #裂缝检测 #高精度分割 #建筑结构分析

下载量 200

发布时间 : 7/12/2023

模型简介

该模型是基于nvidia/mit-b0在裂缝分割数据集上微调的图像分割模型，专门用于识别和分割图像中的裂缝区域

模型特点

裂缝检测

专门针对裂缝分割任务优化，能够准确识别图像中的裂缝结构

轻量级架构

基于SegFormer-B4架构，在保持性能的同时具有较高的计算效率

微调优化

在特定裂缝数据集上微调，提高了对裂缝特征的识别能力

模型能力

图像分割

裂缝检测

结构缺陷识别

使用案例

基础设施检测

建筑物裂缝检测

用于检测建筑物墙面或地面的裂缝

在评估集上达到0.6691的裂缝准确率

道路裂缝检测

识别道路表面的裂缝缺陷

🚀 segformer-b4-crack-segmentation-dataset

该模型是图像分割领域的重要工具，基于特定数据集微调，能有效对裂缝进行分割识别，在相关评估指标上表现良好，为裂缝检测等应用场景提供了有力支持。

🚀 快速开始

此模型是 nvidia/mit-b0 在 None 数据集上的微调版本。它在评估集上取得了以下结果：

损失值：0.0594
平均交并比（Mean Iou）：0.3346
平均准确率：0.6691
整体准确率：0.6691
背景准确率：nan
裂缝准确率：0.6691
背景交并比：0.0
裂缝交并比：0.6691

🔧 技术细节

训练超参数

训练过程中使用了以下超参数：

学习率：6e - 05
训练批次大小：2
评估批次大小：2
随机种子：42
优化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
学习率调度器类型：线性
训练轮数：1

训练结果

训练损失	轮数	步数	验证损失	平均交并比	平均准确率	整体准确率	背景准确率	裂缝准确率	裂缝交并比
0.2287	0.02	100	0.2515	0.1734	0.3468	0.3468	nan	0.3468	0.3468
0.1792	0.04	200	0.1594	0.1671	0.3342	0.3342	nan	0.3342	0.3342
0.1177	0.06	300	0.1762	0.1044	0.2088	0.2088	nan	0.2088	0.2088
0.0821	0.08	400	0.1706	0.2065	0.4130	0.4130	nan	0.4130	0.4130
0.0666	0.1	500	0.1507	0.1931	0.3863	0.3863	nan	0.3863	0.3863
0.0675	0.12	600	0.1374	0.3114	0.6227	0.6227	nan	0.6227	0.6227
0.0267	0.15	700	0.1400	0.2171	0.4342	0.4342	nan	0.4342	0.4342
0.0192	0.17	800	0.1067	0.1594	0.3187	0.3187	nan	0.3187	0.3187
0.0711	0.19	900	0.1002	0.2915	0.5830	0.5830	nan	0.5830	0.5830
0.0761	0.21	1000	0.0785	0.3099	0.6199	0.6199	nan	0.6199	0.6199
0.0802	0.23	1100	0.0829	0.3086	0.6173	0.6173	nan	0.6173	0.6173
0.1058	0.25	1200	0.0895	0.2139	0.4278	0.4278	nan	0.4278	0.4278
0.0409	0.27	1300	0.0792	0.3237	0.6475	0.6475	nan	0.6475	0.6475
0.063	0.29	1400	0.0739	0.3084	0.6168	0.6168	nan	0.6168	0.6168
0.0669	0.31	1500	0.0747	0.3326	0.6653	0.6653	nan	0.6653	0.6653
0.1277	0.33	1600	0.0735	0.3149	0.6297	0.6297	nan	0.6297	0.6297
0.0388	0.35	1700	0.0708	0.2525	0.5050	0.5050	nan	0.5050	0.5050
0.0332	0.37	1800	0.0726	0.2908	0.5816	0.5816	nan	0.5816	0.5816
0.0435	0.4	1900	0.0673	0.2893	0.5786	0.5786	nan	0.5786	0.5786
0.1297	0.42	2000	0.0698	0.3438	0.6877	0.6877	nan	0.6877	0.6877
0.1202	0.44	2100	0.0745	0.2899	0.5798	0.5798	nan	0.5798	0.5798
0.0549	0.46	2200	0.0657	0.3522	0.7044	0.7044	nan	0.7044	0.7044
0.0223	0.48	2300	0.0808	0.2686	0.5372	0.5372	nan	0.5372	0.5372
0.0464	0.5	2400	0.0631	0.3221	0.6442	0.6442	nan	0.6442	0.6442
0.0364	0.52	2500	0.0778	0.3410	0.6820	0.6820	nan	0.6820	0.6820
0.047	0.54	2600	0.0689	0.3489	0.6978	0.6978	nan	0.6978	0.6978
0.0322	0.56	2700	0.0640	0.2863	0.5727	0.5727	nan	0.5727	0.5727
0.0453	0.58	2800	0.0574	0.3340	0.6681	0.6681	nan	0.6681	0.6681
0.0347	0.6	2900	0.0611	0.3289	0.6578	0.6578	nan	0.6578	0.6578
0.0916	0.62	3000	0.0609	0.3357	0.6714	0.6714	nan	0.6714	0.6714
0.0523	0.65	3100	0.0557	0.3318	0.6637	0.6637	nan	0.6637	0.6637
0.1246	0.67	3200	0.0558	0.3294	0.6588	0.6588	nan	0.6588	0.6588
0.0501	0.69	3300	0.0697	0.2955	0.5910	0.5910	nan	0.5910	0.5910
0.0312	0.71	3400	0.0604	0.3414	0.6827	0.6827	nan	0.6827	0.6827
0.0449	0.73	3500	0.0612	0.3305	0.6611	0.6611	nan	0.6611	0.6611
0.0111	0.75	3600	0.0617	0.2930	0.5860	0.5860	nan	0.5860	0.5860
0.0206	0.77	3700	0.0627	0.3663	0.7326	0.7326	nan	0.7326	0.7326
0.051	0.79	3800	0.0649	0.3159	0.6318	0.6318	nan	0.6318	0.6318
0.0243	0.81	3900	0.0600	0.3370	0.6740	0.6740	nan	0.6740	0.6740
0.0108	0.83	4000	0.0614	0.3595	0.7190	0.7190	nan	0.7190	0.7190
0.0951	0.85	4100	0.0564	0.3571	0.7142	0.7142	nan	0.7142	0.7142
0.0731	0.87	4200	0.0597	0.3497	0.6994	0.6994	nan	0.6994	0.6994
0.0307	0.9	4300	0.0636	0.3468	0.6937	0.6937	nan	0.6937	0.6937
0.1039	0.92	4400	0.0594	0.3397	0.6795	0.6795	nan	0.6795	0.6795
0.0083	0.94	4500	0.0606	0.3512	0.7024	0.7024	nan	0.7024	0.7024
0.0113	0.96	4600	0.0597	0.3288	0.6576	0.6576	nan	0.6576	0.6576
0.0417	0.98	4700	0.0595	0.3405	0.6811	0.6811	nan	0.6811	0.6811
0.1944	1.0	4800	0.0594	0.3346	0.6691	0.6691	nan	0.6691	0.6691