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_猫狗图像分类
  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: 默认
    拆分: 训练集
    参数: 默认
    评估指标:
    • 名称: 准确率
      类型: 准确率
      值: 0.99
    • 名称: F1值
      类型: f1
      值: 0.9897161661867544
    • 名称: 召回率
      类型: 召回率
      值: 0.9909390444810544
    • 名称: 精确率
      类型: 精确率
      值: 0.9884963023829088

语言:

• 英语

管道标签: 图像分类

vit-base-patch16-224-in21k_猫狗图像分类

该模型是基于google/vit-base-patch16-224-in21k微调后的版本。
在评估集上取得了以下结果：

• 损失值: 0.0404
• 准确率: 0.99
• F1值: 0.9897
• 召回率: 0.9909
• 精确率: 0.9885

模型描述

这是一个用于区分猫和狗的二元分类模型。

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/Binary%20Classification/Dogs%20or%20Cats%20Image%20Classification/Dog_v_Cat_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/shaunthesheep/microsoft-catsvsdogs-dataset

数据集示例图片:

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: 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
• 训练轮次: 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