license: apache-2.0 tags:

• 训练生成 datasets:
• 图像文件夹 metrics:
• 准确率
• F1值
• 召回率
• 精确率 model-index:
• name: vit-base-patch16-224-in21k_GI诊断模型 results:
  • task: name: 图像分类 type: image-classification dataset: name: 图像文件夹 type: imagefolder config: 默认 split: 训练集 args: 默认 metrics:
    • name: 准确率 type: accuracy value: 0.9375 language:
• en pipeline_tag: 图像分类

vit-base-patch16-224-in21k_GI诊断模型

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

• 损失值：0.2538
• 准确率：0.9375
• 加权F1值：0.9365
• 微平均F1值：0.9375
• 宏平均F1值：0.9365
• 加权召回率：0.9375
• 微平均召回率：0.9375
• 宏平均召回率：0.9375
• 加权精确率：0.9455
• 微平均精确率：0.9375
• 宏平均精确率：0.9455

模型描述

这是一个用于胃肠道诊断的多类别图像分类模型。

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/Diagnoses%20from%20Colonoscopy%20Images/diagnosis_from_colonoscopy_image_ViT.ipynb

使用范围与限制

本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/francismon/curated-colon-dataset-for-deep-learning

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 4.22.2
• Pytorch 1.12.1
• Datasets 2.5.2
• Tokenizers 0.12.1