许可证: MIT 语言:

• 英文 评估指标:
• 准确率 基础模型:
• google/vit-base-patch16-224-in21k 任务标签: 图像分类 库名称: transformers 标签:
• 医疗
• 生物学

胸部X光图像分类器

本仓库包含一个基于Vision Transformer (ViT)架构的微调模型，用于对胸部X光片进行分类，该模型使用了CheXpert数据集进行训练。该模型在从胸部X光片中分类各种肺部疾病的任务上表现出色，能够以高准确率区分不同病症。

模型概述

该微调模型基于Vision Transformer (ViT)架构，该架构通过利用注意力机制进行高效特征提取，擅长处理基于图像的任务。模型在CheXpert数据集上进行了训练，该数据集包含标记的胸部X光片，用于检测肺炎、心脏肥大等疾病。

性能表现

• 最终验证准确率: 98.46%
• 最终训练损失: 0.1069
• 最终验证损失: 0.0980

模型在训练过程中实现了显著的准确率提升，展示了其对未见过的胸部X光片良好的泛化能力。

数据集

用于微调模型的数据集是CheXpert数据集，包含来自不同患者的多标签标注胸部X光片。数据包括每位患者的正面和侧面胸部视图，并标注了各种肺部疾病的标签。

有关数据集的更多详情，请访问CheXpert官方网站。

训练细节

模型微调采用了以下设置：

• 优化器: AdamW
• 学习率: 3e-5
• 批次大小: 32
• 训练轮次: 10
• 损失函数: 带Logits的二元交叉熵
• 精度: 混合精度（通过torch.amp实现）

使用方法

推理

要使用微调模型进行推理，只需从Hugging Face的模型中心加载模型并输入胸部X光图像：

from PIL import Image
import torch
from transformers import AutoImageProcessor, AutoModelForImageClassification

# 加载模型和处理器
processor = AutoImageProcessor.from_pretrained("codewithdark/vit-chest-xray")
model = AutoModelForImageClassification.from_pretrained("codewithdark/vit-chest-xray")

# 定义标签列（类别名称）
label_columns = ['心脏肥大', '肺水肿', '肺实变', '肺炎', '未见异常']

# 步骤1：加载并预处理图像
image_path = "/content/images.jpeg"  # 替换为你的图像路径

# 打开图像
image = Image.open(image_path)

# 确保图像为RGB模式（大多数图像分类模型要求）
if image.mode != 'RGB':
    image = image.convert('RGB')
    print("图像已转换为RGB模式。")

# 步骤2：使用处理器预处理图像
inputs = processor(images=image, return_tensors="pt")

# 步骤3：进行预测（使用模型）
with torch.no_grad():  # 在推理期间禁用梯度计算
    outputs = model(**inputs)

# 步骤4：提取logits并获取预测类别索引
logits = outputs.logits  # 模型的原始logits
predicted_class_idx = torch.argmax(logits, dim=-1).item()  # 获取类别索引

# 步骤5：将预测索引映射到类别标签
# 你也可以使用`model.config.id2label`，但这里我们使用`label_columns`
predicted_class_label = label_columns[predicted_class_idx]

# 输出结果
print(f"预测类别索引: {predicted_class_idx}")
print(f"预测类别标签: {predicted_class_label}")

'''
输出:
预测类别索引: 4
预测类别标签: 未见异常
'''

微调

要在自己的数据集上微调模型，你可以按照本仓库的说明调整代码以适应你的数据集和训练配置。

贡献

我们欢迎贡献！如果你有建议、改进或错误修复，请随时fork仓库并提交拉取请求。

许可证

本模型基于MIT许可证提供。详见LICENSE。

致谢

• CheXpert数据集
• Hugging Face提供transformers库和模型中心。

祝编码愉快！🚀