Segformer B0 Finetuned Morphpadver1 Hgo Coord V3

由 NICOPOI-9 开发

基于nvidia/mit-b3微调的图像分割模型，在NICOPOI-9/morphpad_coord_hgo_512_4class数据集上训练，擅长高精度图像分割任务。

图像分割

Transformers

开源协议:其他 #高精度图像分割 #医学图像处理 #微调优化

下载量 22

发布时间 : 4/25/2025

模型介绍

内容详情

替代品

模型简介

该模型是SegFormer架构的变体，专门用于图像分割任务。通过微调在特定数据集上取得了极高的分割精度（mIoU达0.9952）。

模型特点

高精度分割

在评估集上达到0.9952的平均交并比(mIoU)，表现优异。

多角度适应

支持0度和90度不同角度的图像分割，各角度准确率均超过99%。

高效微调

基于预训练模型微调，训练轮数仅60轮即达到高性能。

模型能力

图像分割

像素级分类

多角度图像处理

使用案例

医学影像

组织分割

用于医学图像中的特定组织区域分割

准确率可达99%以上

工业检测

缺陷检测

识别产品表面的缺陷区域

库名称：transformers
许可证：其他
基础模型：nvidia/mit-b3
标签：

视觉
图像分割
训练生成
模型索引：
名称：segformer-b0-finetuned-morphpadver1-hgo-coord-v3
结果：[]

segformer-b0-finetuned-morphpadver1-hgo-coord-v3

此模型是基于nvidia/mit-b3在NICOPOI-9/morphpad_coord_hgo_512_4class数据集上微调的版本。
在评估集上取得了以下结果：

损失：0.0298
平均交并比（Mean Iou）：0.9952
平均准确率（Mean Accuracy）：0.9976
总体准确率（Overall Accuracy）：0.9976
准确率0-0：0.9983
准确率0-90：0.9969
准确率90-0：0.9980
准确率90-90：0.9971
交并比0-0：0.9959
交并比0-90：0.9950
交并比90-0：0.9945
交并比90-90：0.9954

模型描述

需补充更多信息

预期用途与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练过程

训练超参数

训练期间使用的超参数如下：

学习率：6e-05
训练批次大小：1
评估批次大小：1
随机种子：42
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：线性
训练轮数：60

训练结果

训练损失	训练轮数	步数	验证损失	平均交并比	平均准确率	总体准确率	准确率0-0	准确率0-90	准确率90-0	准确率90-90	交并比0-0	交并比0-90	交并比90-0	交并比90-90
0.9708	2.6525	4000	0.9827	0.3521	0.5133	0.5141	0.6031	0.4019	0.6068	0.4413	0.4004	0.3106	0.2982	0.3990
1.8598	5.3050	8000	0.6389	0.5316	0.6914	0.6913	0.6875	0.7105	0.5770	0.7908	0.6004	0.4655	0.5143	0.5463
0.4633	7.9576	12000	0.5041	0.6369	0.7767	0.7768	0.7883	0.7582	0.7869	0.7735	0.6734	0.6126	0.5897	0.6720
0.5576	10.6101	16000	0.4221	0.6949	0.8191	0.8194	0.8477	0.7814	0.8269	0.8206	0.7084	0.7075	0.6533	0.7106
0.3003	13.2626	20000	0.3963	0.7293	0.8413	0.8414	0.8524	0.8809	0.8047	0.8273	0.7565	0.6617	0.7326	0.7666
0.3174	15.9151	24000	0.4310	0.7511	0.8573	0.8572	0.8538	0.8774	0.8402	0.8577	0.7779	0.7125	0.7412	0.7729
0.2307	18.5676	28000	0.3326	0.8024	0.8901	0.8902	0.9029	0.8852	0.8832	0.8893	0.8196	0.7874	0.7805	0.8221
0.1946	21.2202	32000	0.2625	0.8409	0.9134	0.9134	0.9136	0.9197	0.8974	0.9230	0.8533	0.8114	0.8410	0.8581
0.1325	23.8727	36000	0.1298	0.9185	0.9575	0.9576	0.9647	0.9488	0.9691	0.9474	0.9319	0.9114	0.9158	0.9150
0.1007	26.5252	40000	0.0752	0.9596	0.9794	0.9794	0.9824	0.9811	0.9748	0.9792	0.9671	0.9557	0.9532	0.9624
0.0336	29.1777	44000	0.2640	0.9435	0.9709	0.9709	0.9750	0.9668	0.9713	0.9706	0.9473	0.9389	0.9382	0.9497
0.0182	31.8302	48000	0.1066	0.9680	0.9837	0.9837	0.9882	0.9801	0.9845	0.9821	0.9712	0.9677	0.9627	0.9703
0.0141	34.4828	52000	0.0716	0.9806	0.9902	0.9902	0.9880	0.9898	0.9893	0.9937	0.9822	0.9789	0.9792	0.9821
0.0117	37.1353	56000	0.0705	0.9850	0.9925	0.9925	0.9914	0.9920	0.9929	0.9935	0.9861	0.9838	0.9842	0.9859
0.0129	39.7878	60000	0.0932	0.9833	0.9916	0.9916	0.9897	0.9930	0.9920	0.9916	0.9834	0.9823	0.9827	0.9846
0.0101	42.4403	64000	0.0302	0.9924	0.9962	0.9962	0.9964	0.9966	0.9972	0.9946	0.9938	0.9917	0.9921	0.9921
0.0071	45.0928	68000	0.0294	0.9933	0.9966	0.9966	0.9971	0.9961	0.9958	0.9976	0.9946	0.9931	0.9925	0.9930
0.0066	47.7454	72000	0.0637	0.9912	0.9956	0.9956	0.9959	0.9957	0.9962	0.9946	0.9927	0.9917	0.9895	0.9910
0.0083	50.3979	76000	0.0494	0.9901	0.9950	0.9950	0.9956	0.9951	0.9946	0.9948	0.9901	0.9899	0.9887	0.9917
0.0049	53.0504	80000	0.0286	0.9944	0.9972	0.9972	0.9982	0.9967	0.9976	0.9963	0.9956	0.9935	0.9939	0.9946
0.0104	55.7029	84000	0.0244	0.9953	0.9976	0.9976	0.9984	0.9971	0.9978	0.9971	0.9957	0.9953	0.9942	0.9959
0.0046	58.3554	88000	0.0298	0.9952	0.9976	0.9976	0.9983	0.9969	0.9980	0.9971	0.9959	0.9950	0.9945	0.9954