许可证: 其他 标签:

• 视觉
• 图像分割
• 训练生成 模型索引:
• 名称: segformer-b0-finetuned-segments-stamp-verification 结果: [] 指标:
• 代码评估
• 准确率

segformer-b0邮票验证微调版

本模型是基于nvidia/mit-b0在bilal01/stamp-verification数据集上微调的版本。在评估集上取得如下结果：

• 损失值: 0.0372
• 平均交并比: 0.1908
• 平均准确率: 0.3817
• 总体准确率: 0.3817
• 未标记准确率: 无
• 邮票准确率: 0.3817
• 未标记交并比: 0.0
• 邮票交并比: 0.3817

模型描述

StampSegNet是一个专为邮票分割设计的语义分割模型，基于强大的Hugging Face框架构建。该模型通过深度学习技术，能够精确高效地从图像中分割邮票。

经过训练，该模型可识别并分类图像中属于邮票的区域。通过理解邮票特有的复杂图案、边框和鲜明色彩等特征，StampSegNet能生成像素级分割图，精准标出图像中邮票的边界。

应用场景与限制

邮票收藏管理：邮票收藏爱好者可使用本模型自动从图像中分割邮票，简化邮票收藏的整理编目流程，节省时间精力。

电商平台：面向邮票买卖的在线市场和拍卖平台可集成本模型提升用户体验。卖家上传邮票图像后，模型能自动提取并展示分割后的邮票，方便买家搜索、分类和估价。

尽管StampSegNet在邮票分割上表现优异，但在处理严重损坏/遮挡的邮票、特殊形状邮票或光照条件差的图像时可能面临挑战。此外，与所有AI模型类似，训练数据中的潜在偏差可能影响分割结果，需谨慎评估并规避伦理风险。

训练与评估数据

数据集来自Kaggle平台： {dataset}(https://www.kaggle.com/datasets/rtatman/stamp-verification-staver-dataset)

我们选取60个样本并在Segments.ai平台进行标注

训练流程

数据收集与准备：

• 收集包含邮票图像及对应像素级标注的多样化数据集
• 确保涵盖不同设计、尺寸、颜色、背景和光照条件的邮票
• 将数据集划分为训练集和验证集

模型选择与配置：

• 选用适合邮票分割任务的语义分割模型架构
• 以nvidia/mit-b0作为预训练模型进行微调
• 配置模型架构及学习率、批量大小、优化器等超参数

训练过程：

• 使用标注数据训练模型
• 采用交叉熵损失或Dice损失等分割任务专用损失函数
• 使用Adam优化器更新模型参数
• 通过像素准确率、平均交并比等指标监控训练进度

训练超参数

训练期间使用以下超参数：

• 学习率: 6e-05
• 训练批量大小: 2
• 评估批量大小: 2
• 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: 20

训练结果

框架版本

• Transformers 4.28.0
• Pytorch 2.0.0+cu118
• Datasets 2.12.0
• Tokenizers 0.13.3