SegFormer开源图像分割模型 - 免费部署实现高精度特定图像分割

首页

Segformer B0 Finetuned Morphpadver1 Hgo Coord V1

由 NICOPOI-9 开发

基于NVIDIA MIT-B1架构的SegFormer图像分割模型，在特定数据集上微调，擅长高精度图像分割任务

图像分割

Transformers

开源协议:其他 #高精度图像分割 #医学影像处理 #坐标增强分割

下载量 29

发布时间 : 4/25/2025

模型简介

该模型是基于nvidia/mit-b1架构的SegFormer-b0变体，在NICOPOI-9/morphpad_coord_hgo_512_4class数据集上微调，专门用于图像分割任务，在评估中表现出色，平均交并比达到0.9579

模型特点

高精度分割

在评估集上达到0.9579的平均交并比和0.9785的平均准确率，表现优异

轻量级架构

基于SegFormer-b0架构，平衡了性能和计算效率

多角度适应性

在不同角度(0-0,0-90,90-0,90-90)下均保持稳定的分割性能

模型能力

图像分割

像素级分类

语义分割

使用案例

医学图像分析

组织分割

用于医学图像中特定组织的精确分割

工业检测

缺陷检测

识别和分割工业产品表面的缺陷区域

🚀 segformer-b0-finetuned-morphpadver1-hgo-coord-v1

本模型是基于计算机视觉和图像分割领域的模型，它在特定数据集上对基础模型进行微调，在评估集上取得了优异的成绩，可用于相关图像分割任务。

🚀 快速开始

本模型是 nvidia/mit-b1 在 NICOPOI - 9/morphpad_coord_hgo_512_4class 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：0.0644
平均交并比（Mean Iou）：0.9579
平均准确率：0.9785
总体准确率：0.9785
准确率 0 - 0：0.9792
准确率 0 - 90：0.9782
准确率 90 - 0：0.9762
准确率 90 - 90：0.9804
交并比 0 - 0：0.9634
交并比 0 - 90：0.9512
交并比 90 - 0：0.9543
交并比 90 - 90：0.9627

🔧 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：1
评估批次大小：1
随机种子：42
优化器：使用 OptimizerNames.ADAMW_TORCH，β值为(0.9, 0.999)，ε值为 1e - 08，无额外优化器参数
学习率调度器类型：线性
训练轮数：40

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	总体准确率	准确率 0 - 0	准确率 0 - 90	准确率 90 - 0	准确率 90 - 90	交并比 0 - 0	交并比 0 - 90	交并比 90 - 0	交并比 90 - 90
1.1962	2.5445	4000	1.2063	0.2464	0.3994	0.4010	0.2991	0.2803	0.5096	0.5084	0.2367	0.2111	0.2658	0.2721
1.051	5.0891	8000	1.0734	0.3118	0.4765	0.4765	0.3856	0.5520	0.3937	0.5745	0.3123	0.3148	0.2968	0.3233
0.9309	7.6336	12000	0.9672	0.3612	0.5314	0.5323	0.4806	0.5216	0.7075	0.4158	0.3362	0.3706	0.3778	0.3603
0.8041	10.1781	16000	0.8444	0.4475	0.6180	0.6178	0.6131	0.6672	0.6120	0.5798	0.4403	0.4360	0.4543	0.4593
0.6617	12.7226	20000	0.7405	0.5039	0.6697	0.6700	0.6310	0.6588	0.6714	0.7177	0.5097	0.4912	0.5114	0.5033
0.54	15.2672	24000	0.6090	0.5828	0.7360	0.7362	0.6931	0.7532	0.7427	0.7550	0.5911	0.5709	0.5876	0.5819
0.7378	17.8117	28000	0.3740	0.7401	0.8507	0.8505	0.8789	0.8270	0.8186	0.8783	0.7712	0.7324	0.7203	0.7366
0.58	20.3562	32000	0.1892	0.8644	0.9272	0.9272	0.9329	0.9188	0.9142	0.9430	0.8810	0.8523	0.8539	0.8704
0.1305	22.9008	36000	0.1473	0.8945	0.9443	0.9443	0.9563	0.9245	0.9421	0.9542	0.9021	0.8783	0.8925	0.9049
0.1775	25.4453	40000	0.1133	0.9178	0.9571	0.9571	0.9578	0.9536	0.9583	0.9586	0.9264	0.9068	0.9130	0.9249
0.4792	27.9898	44000	0.0961	0.9306	0.9640	0.9640	0.9662	0.9633	0.9617	0.9650	0.9374	0.9194	0.9268	0.9387
0.1084	30.5344	48000	0.0886	0.9364	0.9671	0.9672	0.9684	0.9600	0.9689	0.9712	0.9429	0.9257	0.9335	0.9437
0.0471	33.0789	52000	0.0721	0.9485	0.9735	0.9735	0.9772	0.9674	0.9729	0.9767	0.9528	0.9402	0.9467	0.9542
0.0722	35.6234	56000	0.0646	0.9554	0.9772	0.9772	0.9809	0.9728	0.9757	0.9794	0.9576	0.9488	0.9522	0.9629
0.0406	38.1679	60000	0.0644	0.9579	0.9785	0.9785	0.9792	0.9782	0.9762	0.9804	0.9634	0.9512	0.9543	0.9627