Segformer B0 Finetuned Morphpadver1 Hgo Coord V2

由 NICOPOI-9 开发

基于SegFormer架构的轻量级图像分割模型，在NICOPOI-9/morphpad_coord_hgo_512_4class数据集上微调，专用于高精度语义分割任务。

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 23

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-B0的微调版本，针对特定图像分割任务优化，在评估集上表现出极高的准确率（平均交并比0.9952）和稳定性。

模型特点

高精度分割

在评估集上达到0.9952的平均交并比，各方向角度分割准确率均超过99%

轻量级架构

基于SegFormer-B0的轻量级设计，适合资源受限环境部署

多角度适应

针对0°和90°不同角度的目标分割均有优异表现（0-0准确率99.93%，90-90准确率99.83%）

模型能力

图像语义分割

多类别像素级分类

高精度边缘检测

使用案例

医学图像分析

组织形态学分析

用于病理切片中特定组织结构的精确分割

在测试集上达到99.56%的平均准确率

工业检测

机械部件定位

识别和定位不同角度的工业零件

各角度检测准确率均超过99.5%

库名称：transformers
许可证：其他
基础模型：NICOPOI-9/segformer-b0-finetuned-morphpadver1-hgo-coord-v1
标签：

视觉
图像分割
训练生成

模型索引：

名称：segformer-b0-finetuned-morphpadver1-hgo-coord-v2
结果：[]

segformer-b0-finetuned-morphpadver1-hgo-coord-v2

该模型是基于NICOPOI-9/segformer-b0-finetuned-morphpadver1-hgo-coord-v1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：0.0408
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
0-0准确率：0.9993
0-90准确率：0.9958
90-0准确率：0.9969
90-90准确率：0.9983
0-0交并比：0.9975
0-90交并比：0.9929
90-0交并比：0.9949
90-90交并比：0.9955

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

训练流程

训练超参数

训练过程中使用的超参数如下：

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beta=(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
训练轮次：60

训练结果

训练损失	轮次	步数	验证损失	平均交并比	平均准确率	总体准确率	0-0准确率	0-90准确率	90-0准确率	90-90准确率	0-0交并比	0-90交并比	90-0交并比	90-90交并比
0.0654	2.5445	4000	0.1134	0.9236	0.9604	0.9602	0.9729	0.9373	0.9642	0.9674	0.9265	0.9144	0.9233	0.9301
0.0552	5.0891	8000	0.1426	0.9161	0.9562	0.9561	0.9607	0.9538	0.9547	0.9555	0.9166	0.9146	0.9112	0.9218
0.0469	7.6336	12000	0.0633	0.9556	0.9774	0.9773	0.9811	0.9714	0.9744	0.9826	0.9588	0.9516	0.9545	0.9576
0.0378	10.1781	16000	0.0506	0.9650	0.9822	0.9822	0.9826	0.9773	0.9844	0.9844	0.9661	0.9601	0.9643	0.9696
0.0582	12.7226	20000	0.0402	0.9737	0.9867	0.9866	0.9925	0.9891	0.9791	0.9860	0.9774	0.9700	0.9699	0.9774
0.0322	15.2672	24000	0.0453	0.9707	0.9850	0.9851	0.9809	0.9843	0.9909	0.9840	0.9746	0.9715	0.9637	0.9728
0.0254	17.8117	28000	0.1030	0.9652	0.9823	0.9822	0.9895	0.9808	0.9748	0.9841	0.9761	0.9599	0.9583	0.9666
2.3028	20.3562	32000	0.0572	0.9745	0.9871	0.9870	0.9861	0.9839	0.9885	0.9896	0.9789	0.9717	0.9700	0.9773
0.0769	22.9008	36000	0.0225	0.9866	0.9932	0.9932	0.9960	0.9899	0.9939	0.9932	0.9893	0.9837	0.9849	0.9884
0.0512	25.4453	40000	0.0329	0.9850	0.9924	0.9924	0.9959	0.9867	0.9954	0.9917	0.9857	0.9820	0.9843	0.9878
0.3281	27.9898	44000	0.0301	0.9866	0.9933	0.9932	0.9958	0.9913	0.9907	0.9952	0.9899	0.9858	0.9843	0.9863
0.1536	30.5344	48000	0.0355	0.9889	0.9944	0.9944	0.9981	0.9927	0.9920	0.9949	0.9941	0.9855	0.9880	0.9880
0.0079	33.0789	52000	0.0256	0.9933	0.9966	0.9966	0.9979	0.9951	0.9961	0.9974	0.9956	0.9917	0.9934	0.9924
0.0074	35.6234	56000	0.0205	0.9938	0.9969	0.9969	0.9983	0.9970	0.9966	0.9956	0.9963	0.9923	0.9928	0.9939
0.0077	38.1679	60000	0.0255	0.9933	0.9967	0.9966	0.9985	0.9946	0.9964	0.9971	0.9954	0.9925	0.9919	0.9934
0.0061	40.7125	64000	0.0282	0.9945	0.9972	0.9972	0.9987	0.9958	0.9974	0.9969	0.9967	0.9916	0.9950	0.9945
0.0051	43.2570	68000	0.0262	0.9937	0.9969	0.9968	0.9987	0.9949	0.9959	0.9979	0.9968	0.9916	0.9934	0.9930
0.0047	45.8015	72000	0.0564	0.9912	0.9956	0.9956	0.9991	0.9950	0.9940	0.9943	0.9958	0.9882	0.9897	0.9912
0.0046	48.3461	76000	0.0492	0.9939	0.9969	0.9969	0.9992	0.9941	0.9974	0.9970	0.9969	0.9903	0.9938	0.9945
0.0552	50.8906	80000	0.0438	0.9948	0.9974	0.9974	0.9992	0.9966	0.9967	0.9972	0.9980	0.9924	0.9948	0.9941
0.0039	53.4351	84000	0.0361	0.9953	0.9976	0.9976	0.9991	0.9961	0.9973	0.9981	0.9975	0.9928	0.9952	0.9956
0.0034	55.9796	88000	0.0317	0.9958	0.9979	0.9979	0.9993	0.9964	0.9974	0.9985	0.9979	0.9937	0.9955	0.9963
0.0149	58.5242	92000	0.0408	0.9952	0.9976	0.9976	0.9993	0.9958	0.9969	0.9983	0.9975	0.9929	0.9949	0.9955