Segformer B4 Wall

由 leftattention 开发

基于SegFormer架构的视觉分割模型，专门用于墙面图像分割任务，在评估集上取得了较高的准确率和IoU指标。

图像分割

Transformers

#高精度图像分割 #墙面识别 #实时语义分割

下载量 18

发布时间 : 6/25/2024

模型介绍

内容详情

替代品

模型简介

该模型是基于SegFormer-B4架构训练的视觉分割模型，主要用于墙面图像的分割任务。模型在评估集上表现出色，平均准确率达到94.48%，平均IoU达到89.93%。

模型特点

高精度分割

在评估集上达到94.48%的平均准确率和89.93%的平均IoU，表现出优秀的分割性能

高效训练

使用Adam优化器和线性学习率调度器，在50个训练轮次内快速收敛

稳定性能

训练过程中验证指标稳定，表明模型具有良好的泛化能力

模型能力

墙面图像分割

像素级分类

视觉场景理解

使用案例

建筑行业

墙面状况评估

自动分割墙面区域，用于建筑质量检测和维护

可准确识别墙面区域，为后续分析提供基础

室内设计

墙面装饰规划

精确分割墙面区域，辅助室内装饰设计和规划

标签:

视觉
图像分割
训练生成模型索引:
名称: segformer-b4-wall 结果: []

segformer-b4-wall

该模型是在None数据集上从头开始训练的。
在评估集上取得了以下结果:

损失: 0.1537
平均准确率: 0.9448
平均交并比(IoU): 0.8993
整体准确率: 0.9558
各类别准确率: [0.9648476610683054, 0.9680509025433003, 0.9015647356112896, 无数据]
各类别IoU: [0.9294668192886654, 0.9344825387850888, 0.8340281823830938, 无数据]

模型描述

需补充更多信息

使用场景与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

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: 64
评估批次大小: 64
随机种子: 42
优化器: Adam (beta1=0.9, beta2=0.999, epsilon=1e-08)
学习率调度器类型: 线性
训练轮次: 50

训练结果

训练损失	训练轮次	步数	验证损失	平均准确率	平均IoU	整体准确率	各类别准确率	各类别IoU
0.1398	5.3476	1000	0.1477	0.9424	0.8733	0.9420	[0.9375947027923643, 0.962438818648652, 0.9270677962243152, 无数据]	[0.9071928258269675, 0.9154732958813474, 0.7971633247503161, 无数据]
0.1114	10.6952	2000	0.1329	0.9426	0.8878	0.9498	[0.9551513266050631, 0.9606741248023447, 0.9120448217426163, 无数据]	[0.9197608920879746, 0.9255854097692368, 0.818153830444766, 无数据]
0.0683	16.0428	3000	0.1353	0.9473	0.8921	0.9516	[0.9527839457434386, 0.9691455504455139, 0.9198476394516605, 无数据]	[0.922537499674425, 0.926305870761282, 0.8273726843249476, 无数据]
0.0753	21.3904	4000	0.1311	0.9437	0.8959	0.9540	[0.9633835386385788, 0.9611760655179852, 0.9066569940696604, 无数据]	[0.9267602358926313, 0.9312805978213234, 0.8297698871401628, 无数据]
0.0505	26.7380	5000	0.1397	0.9442	0.8971	0.9545	[0.9627544499461427, 0.967327419780526, 0.9024453947068249, 无数据]	[0.9272910775593762, 0.9304849186604474, 0.8333807013974415, 无数据]
0.0427	32.0856	6000	0.1414	0.9455	0.8992	0.9555	[0.9640187847053339, 0.9652081246861538, 0.9074073950598316, 无数据]	[0.9289147168722637, 0.9321577805497577, 0.8366507705917902, 无数据]
0.0556	37.4332	7000	0.1477	0.9452	0.8984	0.9552	[0.9629165900233977, 0.9697602413261539, 0.9029026554269718, 无数据]	[0.9285106797857617, 0.9331322728249959, 0.833620894806762, 无数据]
0.0424	42.7807	8000	0.1484	0.9439	0.8990	0.9557	[0.9653151526182964, 0.96949089540134, 0.8967977175922358, 无数据]	[0.9292691886525306, 0.9343666443212755, 0.83323737535253, 无数据]
0.053	48.1283	9000	0.1537	0.9448	0.8993	0.9558	[0.9648476610683054, 0.9680509025433003, 0.9015647356112896, 无数据]	[0.9294668192886654, 0.9344825387850888, 0.8340281823830938, 无数据]