Vit Base Patch16 224 In21k Lung And Colon Cancer

🚀 vit-base-patch16-224-in21k_lung_and_colon_cancer

本模型是一个图像分类模型，基于 google/vit-base-patch16-224-in21k 进行微调，可用于肺癌和结肠癌的多分类图像识别，在评估集上表现出色。

🚀 快速开始

本模型是 google/vit-base-patch16-224-in21k 的微调版本。

它在评估集上取得了以下结果：

• 损失率：0.0016
• 准确率：0.9994
• F1值
  • 加权：0.9994
  • 微平均：0.9994
  • 宏平均：0.9994
• 召回率
  • 加权：0.9994
  • 微平均：0.9994
  • 宏平均：0.9994
• 精确率
  • 加权：0.9994
  • 微平均：0.9994
  • 宏平均：0.9994

✨ 主要特性

• 高精度：在评估集上准确率达到 0.9994，各项指标表现优异。
• 多分类能力：能够对肺癌和结肠癌进行多分类图像识别。

📚 详细文档

模型描述

这是一个用于肺癌和结肠癌的多分类图像分类模型。

有关其创建方式的更多信息，请查看以下链接：https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Image%20Classification/Multiclass%20Classification/Lung%20%26%20Colon%20Cancer/Lung_and_colon_cancer_ViT.ipynb

预期用途与限制

本模型旨在展示使用技术解决复杂问题的能力。

训练和评估数据

数据集来源：https://www.kaggle.com/datasets/andrewmvd/lung-and-colon-cancer-histopathological-images

数据集中的示例图像:

训练过程

训练超参数

训练期间使用了以下超参数：

• 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：3

训练结果

框架版本

• Transformers 4.22.2
• Pytorch 1.12.1
• Datasets 2.5.2
• Tokenizers 0.12.1

📄 许可证

本模型采用 Apache-2.0 许可证。

📋 信息表格