Ecc Segformerv2

由 rishitunu 开发

基于nvidia/mit-b5微调的图像分割模型，专注于裂缝检测任务

图像分割

Transformers

开源协议:其他 #裂缝检测 #建筑结构分析 #图像分割

下载量 18

发布时间 : 8/13/2023

模型介绍

内容详情

替代品

模型简介

该模型是基于nvidia/mit-b5架构在rishitunu/ecc_crackdetector_dataset数据集上微调的图像分割模型，主要用于检测图像中的裂缝结构。

模型特点

裂缝检测专用

专门针对裂缝检测任务进行优化，能够识别图像中的裂缝结构

基于SegFormer架构

采用高效的SegFormer图像分割架构，平衡了精度和计算效率

模型能力

图像分割

裂缝检测

结构缺陷识别

使用案例

基础设施检测

建筑裂缝检测

用于检测建筑物表面的裂缝缺陷

在评估集上裂缝交并比达到0.1723

道路裂缝检测

识别道路表面的裂缝和损坏

许可证: 其他基础模型: nvidia/mit-b5 标签:

图像分割
视觉
训练器生成模型索引:
名称: ecc_segformerv2 结果: []

ecc_segformerv2

该模型是基于nvidia/mit-b5在rishitunu/ecc_crackdetector_dataset数据集上微调的版本。
在评估集上取得了以下结果：

损失: 0.3478
平均交并比: 0.0862
平均准确率: 0.1924
总体准确率: 0.1924
背景准确率: 无
裂缝准确率: 0.1924
背景交并比: 0.0
裂缝交并比: 0.1723

模型描述

需要更多信息

预期用途与限制

需要更多信息

训练与评估数据

需要更多信息

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: 6e-05
训练批次大小: 4
评估批次大小: 4
随机种子: 1337
优化器: Adam（β1=0.9，β2=0.999，ε=1e-08）
学习率调度器类型: 多项式
训练步数: 10000

训练结果

训练损失	周期	步数	验证损失	平均交并比	平均准确率	总体准确率	背景准确率	裂缝准确率	裂缝交并比
0.1019	1.0	251	0.5116	0.1490	0.3280	0.3280	无	0.3280	0.2979
0.0938	2.0	502	0.4725	0.1144	0.2400	0.2400	无	0.2400	0.2287
0.098	3.0	753	0.5117	0.1276	0.2748	0.2748	无	0.2748	0.2552
0.1018	4.0	1004	0.3870	0.1053	0.2254	0.2254	无	0.2254	0.2106
0.0928	5.0	1255	0.2907	0.0772	0.1630	0.1630	无	0.1630	0.1544
0.0936	6.0	1506	0.5220	0.1193	0.2544	0.2544	无	0.2544	0.2385
0.077	7.0	1757	0.1608	0.0617	0.1308	0.1308	无	0.1308	0.1235
0.0963	8.0	2008	0.1756	0.0456	0.0923	0.0923	无	0.0923	0.0912
0.0958	9.0	2259	0.2027	0.0862	0.1813	0.1813	无	0.1813	0.1725
0.0755	10.0	2510	0.2327	0.0888	0.1832	0.1832	无	0.1832	0.1776
0.0632	11.0	2761	0.2169	0.0846	0.1863	0.1863	无	0.1863	0.1693
0.0638	12.0	3012	0.2309	0.0852	0.1957	0.1957	无	0.1957	0.1704
0.0509	13.0	3263	0.3209	0.1236	0.2910	0.2910	无	0.2910	0.2472
0.0497	14.0	3514	0.3274	0.1045	0.2354	0.2354	无	0.2354	0.2089
0.0396	15.0	3765	0.3415	0.1005	0.2257	0.2257	无	0.2257	0.2010
0.0373	16.0	4016	0.3530	0.1122	0.2486	0.2486	无	0.2486	0.2244
0.0388	17.0	4267	0.3312	0.0889	0.1974	0.1974	无	0.1974	0.1778
0.0346	18.0	4518	0.3061	0.0903	0.2125	0.2125	无	0.2125	0.1807
0.0296	19.0	4769	0.3223	0.1000	0.2315	0.2315	无	0.2315	0.2000
0.0311	20.0	5020	0.3458	0.0943	0.2237	0.2237	无	0.2237	0.1887
0.0303	21.0	5271	0.3283	0.0975	0.2255	0.2255	无	0.2255	0.1951
0.0249	22.0	5522	0.3387	0.0998	0.2327	0.2327	无	0.2327	0.1996
0.0298	23.0	5773	0.3332	0.0973	0.2242	0.2242	无	0.2242	0.1946
0.0239	24.0	6024	0.3778	0.1146	0.2634	0.2634	无	0.2634	0.2292
0.0238	25.0	6275	0.3250	0.0909	0.2081	0.2081	无	0.2081	0.1818
0.0242	26.0	6526	0.3826	0.1002	0.2285	0.2285	无	0.2285	0.2004
0.017	27.0	6777	0.3543	0.1058	0.2367	0.2367	无	0.2367	0.2115
0.0241	28.0	7028	0.3491	0.0915	0.2069	0.2069	无	0.2069	0.1830
0.0203	29.0	7279	0.3354	0.0899	0.2056	0.2056	无	0.2056	0.1798
0.0206	30.0	7530	0.3592	0.0944	0.2165	0.2165	无	0.2165	0.1888
0.0211	31.0	7781	0.3200	0.0943	0.2100	0.2100	无	0.2100	0.1886
0.0209	32.0	8032	0.3401	0.0850	0.1941	0.1941	无	0.1941	0.1701
0.0172	33.0	8283	0.3326	0.0879	0.1986	0.1986	无	0.1986	0.1759
0.0187	34.0	8534	0.3343	0.0869	0.1960	0.1960	无	0.1960	0.1739
0.0181	35.0	8785	0.3223	0.0824	0.1835	0.1835	无	0.1835	0.1648
0.0168	36.0	9036	0.3461	0.0864	0.1933	0.1933	无	0.1933	0.1727
0.0169	37.0	9287	0.3438	0.0848	0.1888	0.1888	无	0.1888	0.1695
0.0182	38.0	9538	0.3506	0.0865	0.1933	0.1933	无	0.1933	0.1730
0.0167	39.0	9789	0.3535	0.0869	0.1946	0.1946	无	0.1946	0.1739
0.0174	39.84	10000	0.3478	0.0862	0.1924	0.1924	无	0.1924	0.1723