Beit Base Patch16 224 Pt22k Ft22k Finetuned Stroke Binary

由 BTX24 开发

该模型是基于microsoft/beit-base-patch16-224-pt22k-ft22k在二分类中风检测数据集上微调的版本，用于图像分类任务，评估准确率达92.22%。

图像分类

Transformers

开源协议:Apache-2.0 #中风检测 #医疗影像分类 #高精度BEIT

下载量 36

发布时间 : 3/16/2025

模型介绍

内容详情

替代品

模型简介

这是一个基于BEiT架构的视觉Transformer模型，专门针对脑卒中二分类检测任务进行了微调。模型能够从医学影像中识别中风迹象，在测试集上表现出较高的准确率和F1分数。

模型特点

高精度中风检测

在测试集上达到92.22%的准确率和92.14%的F1分数，表现出优秀的二分类性能

基于BEiT架构

采用先进的视觉Transformer架构，通过图像块(patch)处理实现高效特征提取

专业医学影像适配

针对脑卒中检测的医学影像特点进行了专门优化和微调

模型能力

医学图像分析

二分类任务处理

中风迹象识别

使用案例

医疗诊断

脑卒中辅助诊断

通过医学影像自动检测中风迹象，辅助医生进行快速诊断

测试集准确率92.22%，可作为可靠的辅助诊断工具

医学研究

中风病例分析

用于大规模中风病例的自动化筛查和分析

库名称：transformers
许可证：apache-2.0
基础模型：microsoft/beit-base-patch16-224-pt22k-ft22k
标签：

训练生成
评估指标：
准确率
F1分数
精确率
召回率
模型索引：
名称：beit-base-patch16-224-pt22k-ft22k-finetuned-stroke-binary
结果：[]
数据集：
BTX24/tekno21-brain-stroke-dataset-binary
管道标签：图像分类

beit-base-patch16-224-pt22k-ft22k-finetuned-stroke-binary

该模型是基于microsoft/beit-base-patch16-224-pt22k-ft22k在“二分类中风检测”数据集上微调的版本。
在评估集上取得了以下结果：

损失：0.2029
准确率：0.9222
F1分数：0.9214
精确率：0.9234
召回率：0.9222

模型描述

需要更多信息

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

训练过程中使用的超参数如下：

学习率：2e-05
训练批次大小：16
评估批次大小：8
随机种子：42
梯度累积步数：4
总训练批次大小：64
优化器：使用OptimizerNames.ADAMW_TORCH，参数为betas=(0.9,0.999)、epsilon=1e-08，无额外优化器参数
学习率调度器类型：cosine_with_restarts
学习率预热比例：0.1
训练轮数：48
混合精度训练：Native AMP

训练结果

训练损失	轮次	步数	验证损失	准确率	F1分数	精确率	召回率
0.7256	1.2477	100	0.6913	0.5685	0.4823	0.4731	0.5685
0.6695	2.4954	200	0.6480	0.6210	0.5164	0.5987	0.6210
0.5963	3.7430	300	0.5882	0.6725	0.6118	0.6993	0.6725
0.518	4.9907	400	0.4990	0.7481	0.7167	0.7891	0.7481
0.4325	6.2477	500	0.4090	0.8073	0.7957	0.8232	0.8073
0.3848	7.4954	600	0.3703	0.8340	0.8257	0.8482	0.8340
0.3532	8.7430	700	0.3958	0.8313	0.8201	0.8564	0.8313
0.3297	9.9907	800	0.3257	0.8611	0.8558	0.8718	0.8611
0.3281	11.2477	900	0.3169	0.8666	0.8612	0.8791	0.8666
0.2938	12.4954	1000	0.2814	0.8865	0.8841	0.8900	0.8865
0.2866	13.7430	1100	0.2828	0.8869	0.8837	0.8943	0.8869
0.2884	14.9907	1200	0.2929	0.8847	0.8810	0.8936	0.8847
0.2808	16.2477	1300	0.2458	0.9014	0.8999	0.9034	0.9014
0.258	17.4954	1400	0.2351	0.9091	0.9080	0.9102	0.9091
0.2744	18.7430	1500	0.2516	0.9014	0.8994	0.9057	0.9014
0.261	19.9907	1600	0.2453	0.9068	0.9050	0.9107	0.9068
0.2519	21.2477	1700	0.2564	0.8987	0.8961	0.9051	0.8987
0.2595	22.4954	1800	0.2318	0.9095	0.9079	0.9129	0.9095
0.2548	23.7430	1900	0.2196	0.9136	0.9128	0.9142	0.9136
0.2327	24.9907	2000	0.2376	0.9068	0.9050	0.9110	0.9068
0.2563	26.2477	2100	0.2421	0.9028	0.9005	0.9083	0.9028
0.2348	27.4954	2200	0.2213	0.9109	0.9095	0.9132	0.9109
0.2427	28.7430	2300	0.2308	0.9077	0.9060	0.9116	0.9077
0.2166	29.9907	2400	0.2152	0.9141	0.9128	0.9165	0.9141
0.2345	31.2477	2500	0.2283	0.9068	0.9049	0.9114	0.9068
0.2355	32.4954	2600	0.2173	0.9118	0.9103	0.9149	0.9118
0.2291	33.7430	2700	0.2149	0.9127	0.9113	0.9155	0.9127
0.2319	34.9907	2800	0.2123	0.9141	0.9127	0.9167	0.9141
0.222	36.2477	2900	0.2053	0.9181	0.9171	0.9197	0.9181
0.2235	37.4954	3000	0.2121	0.9141	0.9127	0.9166	0.9141
0.2221	38.7430	3100	0.2013	0.9195	0.9188	0.9200	0.9195
0.2262	39.9907	3200	0.2029	0.9222	0.9214	0.9234	0.9222
0.2171	41.2477	3300	0.2075	0.9181	0.9170	0.9202	0.9181
0.2268	42.4954	3400	0.2045	0.9190	0.9180	0.9208	0.9190
0.2222	43.7430	3500	0.2050	0.9204	0.9194	0.9222	0.9204
0.2169	44.9907	3600	0.2070	0.9177	0.9165	0.9197	0.9177
0.2245	46.2477	3700	0.2064	0.9181	0.9170	0.9201	0.9181
0.2148	47.4954	3800	0.2066	0.9181	0.9170	0.9201	0.9181