modeversion1_m7_e4开源图像分类模型 - 高准确率助力图片快速分类

首页

Modeversion1 M7 E4

由 sudo-s 开发

该模型是基于google/vit-base-patch16-224-in21k在sudo-s/herbier_mesuem7数据集上微调的图像分类模型，评估准确率达97.31%。

图像分类

Transformers

开源协议:Apache-2.0 #高精度图像分类 #植物标本识别 #ViT微调模型

下载量 28

发布时间 : 7/23/2022

模型简介

这是一个基于Vision Transformer架构的图像分类模型，专门针对植物标本图像进行了优化。

模型特点

高准确率

在评估集上达到97.31%的分类准确率

基于ViT架构

使用Vision Transformer基础架构，适合处理图像数据

微调优化

在特定植物标本数据集上进行了针对性微调

模型能力

图像分类

植物标本识别

使用案例

植物学研究

植物标本分类

自动分类不同种类的植物标本图像

97.31%的分类准确率

博物馆数字化

标本馆藏管理

辅助博物馆进行植物标本的数字化分类管理

🚀 modeversion1_m7_e4

该模型是基于 google/vit-base-patch16-224-in21k 在 sudo-s/herbier_mesuem7 数据集上进行微调的版本。它在评估集上取得了以下结果：

损失值：0.0902
准确率：0.9731

🚀 快速开始

此部分文档未提供快速开始的相关内容。

✨ 主要特性

此部分文档未提供模型主要特性的相关内容。

📚 详细文档

模型描述

此部分文档未提供更多模型描述的相关信息。

预期用途与限制

此部分文档未提供更多预期用途与限制的相关信息。

训练和评估数据

此部分文档未提供更多训练和评估数据的相关信息。

训练过程

训练超参数

训练过程中使用了以下超参数：

学习率：0.0002
训练批次大小：16
评估批次大小：8
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：4
混合精度训练：原生自动混合精度（Native AMP）

训练结果

训练损失	轮数	步数	验证损失	准确率
4.073	0.06	100	3.9370	0.1768
3.4186	0.12	200	3.2721	0.2590
2.6745	0.18	300	2.6465	0.3856
2.2806	0.23	400	2.2600	0.4523
1.9275	0.29	500	1.9653	0.5109
1.6958	0.35	600	1.6815	0.6078
1.2797	0.41	700	1.4514	0.6419
1.3772	0.47	800	1.3212	0.6762
1.1765	0.53	900	1.1476	0.7028
1.0152	0.59	1000	1.0357	0.7313
0.7861	0.64	1100	1.0230	0.7184
1.0262	0.7	1200	0.9469	0.7386
0.8905	0.76	1300	0.8184	0.7756
0.6919	0.82	1400	0.8083	0.7711
0.7494	0.88	1500	0.7601	0.7825
0.5078	0.94	1600	0.6884	0.8056
0.7134	1.0	1700	0.6311	0.8160
0.4328	1.06	1800	0.5740	0.8252
0.4971	1.11	1900	0.5856	0.8290
0.5207	1.17	2000	0.6219	0.8167
0.4027	1.23	2100	0.5703	0.8266
0.5605	1.29	2200	0.5217	0.8372
0.2723	1.35	2300	0.4805	0.8565
0.401	1.41	2400	0.4811	0.8490
0.3419	1.47	2500	0.4619	0.8608
0.301	1.52	2600	0.4318	0.8712
0.2872	1.58	2700	0.4698	0.8573
0.2451	1.64	2800	0.4210	0.8729
0.2211	1.7	2900	0.3645	0.8851
0.3145	1.76	3000	0.4139	0.8715
0.2001	1.82	3100	0.3605	0.8864
0.3095	1.88	3200	0.4274	0.8675
0.1915	1.93	3300	0.2910	0.9101
0.2465	1.99	3400	0.2726	0.9103
0.1218	2.05	3500	0.2742	0.9129
0.0752	2.11	3600	0.2572	0.9183
0.1067	2.17	3700	0.2584	0.9203
0.0838	2.23	3800	0.2458	0.9212
0.1106	2.29	3900	0.2412	0.9237
0.092	2.34	4000	0.2232	0.9277
0.1056	2.4	4100	0.2817	0.9077
0.0696	2.46	4200	0.2334	0.9285
0.0444	2.52	4300	0.2142	0.9363
0.1046	2.58	4400	0.2036	0.9352
0.066	2.64	4500	0.2115	0.9365
0.0649	2.7	4600	0.1730	0.9448
0.0513	2.75	4700	0.2148	0.9339
0.0917	2.81	4800	0.1810	0.9438
0.0879	2.87	4900	0.1971	0.9388
0.1052	2.93	5000	0.1602	0.9508
0.0362	2.99	5100	0.1475	0.9556
0.041	3.05	5200	0.1328	0.9585
0.0156	3.11	5300	0.1389	0.9571
0.0047	3.17	5400	0.1224	0.9638
0.0174	3.22	5500	0.1193	0.9651
0.0087	3.28	5600	0.1276	0.9622
0.0084	3.34	5700	0.1134	0.9662
0.0141	3.4	5800	0.1239	0.9631
0.0291	3.46	5900	0.1199	0.9645
0.0049	3.52	6000	0.1103	0.9679
0.0055	3.58	6100	0.1120	0.9662
0.0061	3.63	6200	0.1071	0.9668
0.0054	3.69	6300	0.1032	0.9697
0.0041	3.75	6400	0.0961	0.9711
0.0018	3.81	6500	0.0930	0.9718
0.0032	3.87	6600	0.0918	0.9730
0.0048	3.93	6700	0.0906	0.9732
0.002	3.99	6800	0.0902	0.9731