library_name: transformers base_model:

• facebook/detr-resnet-50 tags:
• generated_from_trainer
• industry
• construction model-index:
• name: 微调版ViT模型 results: [] license: mit datasets:
• hf-vision/hardhat language:
• en pipeline_tag: object-detection

微调版ViT模型

该模型是基于facebook/detr-resnet-50-dc5在安全帽数据集上微调的版本，在评估集上取得如下结果：

• 损失值：0.9937

模型说明

本模型是Hugging Face认证课程的示范项目，专为教学目的而创建。这是一个用于目标检测的微调版视觉Transformer（ViT）模型，特别针对图像中的安全帽、头部和人体进行检测训练。模型以facebook/detr-resnet-50-dc5检查点为基座，并在hf-vision/hardhat数据集上进一步训练。

该模型利用Transformer架构处理图像分块，并预测目标物体的边界框和标签。

使用场景与限制

• 使用场景：可用于演示ViT目标检测功能，潜在应用于建筑工地或工业环境中识别佩戴/未佩戴安全帽的人员安全监测场景。
• 限制：本模型训练样本有限，对于视角、光照条件差异较大的图像可能泛化能力不足。未经进一步评估验证前不建议投入生产环境使用。

训练与评估数据

• 数据集：使用Hugging Face Datasets中的hf-vision/hardhat数据集，包含建筑工地和工业场景的标注图像，标注对象包括安全帽、头部和人体。
• 数据划分：数据集分为"训练集"和"测试集"。
• 数据增强：训练时采用albumentations进行数据增强以提升模型泛化能力，包括随机水平翻转和随机亮度/对比度调整。

训练流程

• 基座模型：从预训练的DETR模型facebook/detr-resnet-50-dc5（ResNet-50骨干网络）初始化。
• 微调：使用Hugging Face的Trainer进行微调，关键超参数：
  • 学习率：1e-6
  • 权重衰减：1e-4
  • 批大小：1
  • 训练轮次：3
  • 最大步数：2500
  • 优化器：AdamW
• 评估：在测试集上采用标准目标检测指标（包括COCO指标：平均精度、平均召回率）进行评估。
• 硬件：通过Google Colab的GPU加速完成训练。

训练超参数

训练过程中使用的超参数配置：

• 学习率：1e-06
• 训练批大小：1
• 评估批大小：8
• 随机种子：42
• 优化器：使用adamw_torch，参数betas=(0.9,0.999)，epsilon=1e-08，无额外优化器参数
• 学习率调度器类型：线性
• 训练步数：500
• 混合精度训练：原生AMP

训练结果