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
  基础模型：microsoft/swin-tiny-patch4-window7-224
  模型索引：
• 名称：swin-tiny-patch4-window7-224-finetuned-skin-cancer
  结果：
  • 任务：
    类型：图像分类
    名称：图像分类
    数据集：
    名称：imagefolder
    类型：imagefolder
    参数：默认
    评估指标：
    • 类型：准确率
      值：0.7275449101796407
      名称：准确率

swin-tiny-patch4-window7-224-finetuned-skin-cancer

该模型是基于microsoft/swin-tiny-patch4-window7-224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：0.7695
• 准确率：0.7275

模型描述

该模型的创建过程是将皮肤癌照片数据集从Kaggle导入到Google Colab，数据集链接：https://www.kaggle.com/datasets/kmader/skin-cancer-mnist-ham10000。随后使用了图像分类教程：https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/image_classification.ipynb，得到了以下笔记本：

https://colab.research.google.com/drive/1bMkXnAvAqjX3J2YJ8wXTNw2Z2pt5KCjy?usp=sharing

可分类的疾病包括：'光化性角化病'、'基底细胞癌'、'良性角化样病变'、'皮肤纤维瘤'、'黑色素细胞痣'、'黑色素瘤'、'血管性病变'。

皮肤示例：

预期用途与限制

需要更多信息

训练与评估数据

需要更多信息

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：5e-05
• 训练批次大小：32
• 评估批次大小：32
• 随机种子：42
• 梯度累积步数：4
• 总训练批次大小：128
• 优化器：Adam，参数beta=(0.9,0.999)，epsilon=1e-08
• 学习率调度器类型：线性
• 学习率预热比例：0.1
• 训练轮次：1

训练结果

框架版本

• Transformers 4.20.1
• PyTorch 1.11.0+cu113
• Datasets 2.3.2
• Tokenizers 0.12.1