Segformer B0 Finetuned Segments Sidewalk 4

由 jakka 开发

基于MIT-B0架构的轻量级语义分割模型，专为人行道场景优化

图像分割

Transformers

开源协议:Apache-2.0 #人行道语义分割 #轻量级模型 #城市街景分析

下载量 15

发布时间 : 5/30/2022

模型介绍

内容详情

替代品

模型简介

该模型是SegFormer-B0在segments/sidewalk-semantic数据集上的微调版本，适用于城市人行道场景的语义分割任务，能够识别多种路面元素和障碍物。

模型特点

轻量高效

基于B0小型架构，适合资源受限环境部署

人行道场景优化

针对城市人行道语义分割任务专门微调

多类别识别

支持30+类别的路面元素识别（含无效类别）

模型能力

图像语义分割

路面元素识别

障碍物检测

使用案例

智慧城市

人行道无障碍检测

自动识别影响通行的障碍物和路面缺陷

在验证集上对平整路面的识别准确率达93.3%

自动驾驶

行人区域划分

为自动驾驶系统提供可通行区域识别

对人行道的交并比达78.4%

license: apache-2.0 tags:

视觉
图像分割
训练生成 model-index:
name: segformer-b0-finetuned-segments-sidewalk-4 results: []

segformer-b0-finetuned-segments-sidewalk-4

该模型是基于nvidia/mit-b0在segments/sidewalk-semantic数据集上微调的版本。其在评估集上的表现如下：

损失值：1.6258
平均交并比：0.1481
平均准确率：0.1991
整体准确率：0.7316
各类别交并比：[nan, 0.4971884694242825, 0.7844619900838784, 0.0, 0.10165655377640956, 0.007428563507709108, nan, 4.566798099115959e-06, 0.0, 0.0, 0.5570746278221521, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.534278997386317, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.7557693923373933, 0.5270379031768208, 0.8254522211471568, 0.0, 0.0, 0.0, 0.0]
各类别准确率：[nan, 0.8698779680369205, 0.9122325676343133, 0.0, 0.10179229832932858, 0.007508413919135004, nan, 4.566798099115959e-06, 0.0, 0.0, 0.8968168359562617, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.8492049383357001, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.9388033874781816, 0.6627890453030717, 0.9334458854084583, 0.0, 0.0, 0.0, 0.0]

模型描述

需补充更多信息

预期用途与限制

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：32
评估批次大小：32
随机种子：42
优化器：Adam（betas=(0.9,0.999)，epsilon=1e-08）
学习率调度器类型：线性
训练轮次：2

训练结果

训练损失	轮次	步数	验证损失	平均交并比	平均准确率	整体准确率	各类别交并比	各类别准确率
1.7912	1.0	25	1.6392	0.1412	0.1911	0.7210	[nan, 0.48942576059104514, 0.7754689525048201, 0.0, 0.031932013148008094, 0.004348266117522573, nan, 1.5527099355168697e-05, 0.0, 0.0, 0.5356571432088642, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.5243044552616699, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.7355207837531991, 0.4479559177066271, 0.8315839315332364, 0.0, 0.0, 0.0, 0.0]	[nan, 0.8476069713517648, 0.9129050708992534, 0.0, 0.03194435645315849, 0.004370669306327572, nan, 1.552711353699426e-05, 0.0, 0.0, 0.897824434787493, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.8555478632753987, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.9510113270409175, 0.5116786406550935, 0.9122706949370997, 0.0, 0.0, 0.0, 0.0]
1.7531	2.0	50	1.6258	0.1481	0.1991	0.7316	[nan, 0.4971884694242825, 0.7844619900838784, 0.0, 0.10165655377640956, 0.007428563507709108, nan, 4.566798099115959e-06, 0.0, 0.0, 0.5570746278221521, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.534278997386317, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.7557693923373933, 0.5270379031768208, 0.8254522211471568, 0.0, 0.0, 0.0, 0.0]	[nan, 0.8698779680369205, 0.9122325676343133, 0.0, 0.10179229832932858, 0.007508413919135004, nan, 4.566798099115959e-06, 0.0, 0.0, 0.8968168359562617, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.8492049383357001, 0.0, 0.0, 0.0, 0.0, nan, 0.0, 0.0, 0.0, 0.0, 0.9388033874781816, 0.6627890453030717, 0.9334458854084583, 0.0, 0.0, 0.0, 0.0]