许可协议: apache-2.0
标签:

• 训练生成
  数据集:
• 图像文件夹
  评估指标:
• 准确率
• F1值
• 召回率
• 精确率
  模型索引:
• 名称: vit-base-patch16-224-in21k-天气图像分类
  结果:
  • 任务:
    名称: 图像分类
    类型: 图像分类
    数据集:
    名称: 图像文件夹
    类型: 图像文件夹
    配置: 数据
    拆分: 训练集
    参数: 数据
    评估指标:
    • 名称: 准确率
      类型: 准确率
      值: 0.9339762611275965
      语言:
• 英语
  管道标签: 图像分类

vit-base-patch16-224-in21k-天气图像分类

该模型是基于google/vit-base-patch16-224-in21k在图像文件夹数据集上微调得到的版本。
在评估集上取得了以下结果:

• 损失值: 0.2255
• 准确率: 0.9340
• 加权F1值: 0.9341
• 微平均F1值: 0.9340
• 宏平均F1值: 0.9372
• 加权召回率: 0.9340
• 微平均召回率: 0.9340
• 宏平均召回率: 0.9354
• 加权精确率: 0.9347
• 微平均精确率: 0.9340
• 宏平均精确率: 0.9398

模型描述

这是一个天气图像分类模型。

关于模型创建过程的更多信息，请查看以下链接:
https://github.com/DunnBC22/Vision_Audio_and_Multimodal_Projects/blob/main/Computer%20Vision/Image%20Classification/Multiclass%20Classification/Weather%20Images/Weather_Images_ViT.ipynb

预期用途与限制

该模型旨在展示我运用技术解决复杂问题的能力。

训练与评估数据

数据集来源: https://www.kaggle.com/datasets/jehanbhathena/weather-dataset

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: 0.0002
• 训练批次大小: 16
• 评估批次大小: 8
• 随机种子: 42
• 优化器: Adam (β1=0.9, β2=0.999, ε=1e-08)
• 学习率调度器类型: 线性
• 训练轮数: 3

训练结果

框架版本

• Transformers 4.25.1
• PyTorch 1.12.1
• Datasets 2.8.0
• Tokenizers 0.12.1