许可证：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分数
• 召回率
• 精确率
  模型索引：
• 名称：vit-base-patch16-224-in21k_brain_tumor_diagnosis
  结果：
  • 任务：
    名称：图像分类
    类型：image-classification
    数据集：
    名称：imagefolder
    类型：imagefolder
    配置：默认
    拆分：训练集
    参数：默认
    指标：
    • 名称：准确率
      类型：accuracy
      值：0.9215686274509803
    • 名称：F1分数
      类型：f1
      值：0.9375
    • 名称：召回率
      类型：recall
      值：1
    • 名称：精确率
      类型：precision
      值：0.8823529411764706
      语言：
• 英语
  管道标签：image-classification

vit-base-patch16-224-in21k_brain_tumor_diagnosis

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

• 损失：0.2591
• 准确率：0.9216
• F1分数：0.9375
• 召回率：1.0
• 精确率：0.8824

模型描述

这是一个二分类模型，用于区分MRI图像是否检测到脑肿瘤。

关于其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/Brain%20Tumor%20MRI%20Images/brain_tumor_MRI_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/navoneel/brain-mri-images-for-brain-tumor-detection

数据集中的示例图像：

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，参数betas=(0.9,0.999)，epsilon=1e-08
• 学习率调度器类型：线性
• 训练轮数：5

训练结果

框架版本

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