delivery_truck_classification开源图像分类模型 - 准确识别快递卡车，准确率97.33%

首页

Delivery Truck Classification

由 JEdward7777 开发

基于Swin-Tiny架构微调的图像分类模型，专门用于快递卡车识别，准确率达97.33%

图像分类

Transformers

开源协议:Apache-2.0 #快递车辆识别 #高精度分类 #Swin-Transformer

下载量 21

发布时间 : 8/28/2022

模型简介

该模型是基于microsoft/swin-tiny-patch4-window7-224微调的图像分类模型，主要用于快递卡车识别任务。在评估集上表现出色，准确率达到97.33%。

模型特点

高准确率

在测试集上达到97.33%的分类准确率

基于Swin Transformer

采用先进的Swin Transformer架构，具有优秀的视觉特征提取能力

轻量级模型

基于Tiny版本架构，适合部署在资源有限的环境中

模型能力

图像分类

快递卡车识别

视觉特征提取

使用案例

物流管理

快递车辆自动识别

用于物流园区或仓库入口的车辆自动识别系统

准确识别率达到97.33%

运输监控

监控系统中快递车辆的自动分类和统计

🚀 货车分类模型

本模型是图像分类领域的重要工具，它基于微调的方式优化了图像分类效果，在货车分类任务上展现出高准确率，为相关领域的图像分析提供了可靠支持。

🚀 快速开始

本模型是 microsoft/swin-tiny-patch4-window7-224 在 imagefolder 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：0.1787
准确率：0.9733

🔧 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：5e-05
训练批次大小：32
评估批次大小：32
随机种子：42
梯度累积步数：4
总训练批次大小：128
优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
学习率调度器类型：线性
学习率调度器预热比例：0.1
训练轮数：60

训练结果

训练损失	轮数	步数	验证损失	准确率
无记录	0.91	5	0.1787	0.9733
无记录	1.91	10	0.1787	0.9733
无记录	2.91	15	0.1787	0.9733
0.3799	3.91	20	0.1787	0.9733
0.3799	4.91	25	0.1787	0.9733
0.3799	5.91	30	0.1787	0.9733
0.3799	6.91	35	0.1787	0.9733
0.3648	7.91	40	0.1787	0.9733
0.3648	8.91	45	0.1787	0.9733
0.3648	9.91	50	0.1787	0.9733
0.3648	10.91	55	0.1787	0.9733
0.3954	11.91	60	0.1787	0.9733
0.3954	12.91	65	0.1787	0.9733
0.3954	13.91	70	0.1787	0.9733
0.3954	14.91	75	0.1787	0.9733
0.3926	15.91	80	0.1787	0.9733
0.3926	16.91	85	0.1787	0.9733
0.3926	17.91	90	0.1787	0.9733
0.3926	18.91	95	0.1787	0.9733
0.3801	19.91	100	0.1787	0.9733
0.3801	20.91	105	0.1787	0.9733
0.3801	21.91	110	0.1787	0.9733
0.3801	22.91	115	0.1787	0.9733
0.3815	23.91	120	0.1787	0.9733
0.3815	24.91	125	0.1787	0.9733
0.3815	25.91	130	0.1787	0.9733
0.3815	26.91	135	0.1787	0.9733
0.3955	27.91	140	0.1787	0.9733
0.3955	28.91	145	0.1787	0.9733
0.3955	29.91	150	0.1787	0.9733
0.3955	30.91	155	0.1787	0.9733
0.3854	31.91	160	0.1787	0.9733
0.3854	32.91	165	0.1787	0.9733
0.3854	33.91	170	0.1787	0.9733
0.3854	34.91	175	0.1787	0.9733
0.3949	35.91	180	0.1787	0.9733
0.3949	36.91	185	0.1787	0.9733
0.3949	37.91	190	0.1787	0.9733
0.3949	38.91	195	0.1787	0.9733
0.423	39.91	200	0.1787	0.9733
0.423	40.91	205	0.1787	0.9733
0.423	41.91	210	0.1787	0.9733
0.423	42.91	215	0.1787	0.9733
0.3761	43.91	220	0.1787	0.9733
0.3761	44.91	225	0.1787	0.9733
0.3761	45.91	230	0.1787	0.9733
0.3761	46.91	235	0.1787	0.9733
0.3673	47.91	240	0.1787	0.9733
0.3673	48.91	245	0.1787	0.9733
0.3673	49.91	250	0.1787	0.9733
0.3673	50.91	255	0.1787	0.9733
0.3639	51.91	260	0.1787	0.9733
0.3639	52.91	265	0.1787	0.9733
0.3639	53.91	270	0.1787	0.9733
0.3639	54.91	275	0.1787	0.9733
0.4031	55.91	280	0.1787	0.9733
0.4031	56.91	285	0.1787	0.9733
0.4031	57.91	290	0.1787	0.9733
0.4031	58.91	295	0.1787	0.9733
0.3787	59.91	300	0.1787	0.9733