Классификация изображений ран и повреждений

О сервисе

Обзор модели Эта модель представляет собой тонко настроенную версию , разработанную для классификации изображений ран. Она специализируется на распознавании различных типов повреждений, что делает её полезной для медицинских и исследовательских приложений. Модель демонстрирует высокую точность на оценочном наборе данных. Производительность и точность Модель достигает следующих результатов на оценочном наборе данных: Потери (Loss): 0.1209 Точность (Accuracy): 0.965 Описание модели Модель является специализированным классификатором изображений, основанным на архитектуре Vision Transformer (ViT). Она способна идентифицировать различные категории ран, что критически важно для автоматизации диагностики и мониторинга. Предполагаемое использование и ограничения Модель предназначена для автоматической классификации изображений ран в медицинских учреждениях, для обучения специалистов и в исследовательских целях. Она может помочь в быстрой начальной оценке типа повреждения. Ограничения могут включать зависимость от качества входных изображений и необходимость дополнительной валидации в клинических условиях. Данные для обучения и оценки Модель была обучена на наборе данных, содержащем изображения различных типов ран. Точный состав и объем данных не указаны, но модель показала хорошие результаты на оценочном наборе. Процедура обучения Модель была тонко настроена на основе базовой модели . В процессе обучения использовались следующие гиперпараметры: Гиперпараметры обучения Скорость обучения: 0.0002 Размер тренировочного батча: 4 Размер оценочного батча: 4 Начальное зерно: 42 Шаги накопления градиента: 2 Общий размер тренировочного батча: 8 Оптимизатор: Adam с параметрами betas=(0.9,0.999) и epsilon=1e-08 Тип планировщика LR: линейный Коэффициент разогрева планировщика LR: 0.01 Количество эпох: 16 Результаты обучения Потери при обученииЭпохаШагПотери при валидацииТочность1.09191.02000.77800.760.61572.04000.56950.79250.48943.06000.36670.87750.37864.08000.44360.86250.31425.010000.44120.86250.26366.012000.44300.860.1987.014000.27600.91750.14568.016000.22110.930.15869.018000.35200.9050.130710.020000.31880.91750.10611.022000.31670.9250.097512.024000.26330.920.073413.026000.18130.95250.099414.028000.21500.9450.062215.030000.17570.9550.060916.032000.12090.965 Версии фреймворков Transformers 4.38.2 Pytorch 2.1.0+cu121 Datasets 2.18.0 Tokenizers 0.15.2 Пример использования (Inference) Для использования модели для классификации изображений ран вы можете загрузить её и применить к вашим данным. Ниже представлен краткий пример: Структура модели и классы Модель основана на архитектуре ViTForImageClassification. Она настроена для классификации следующих 10 типов ран: 0: Ссадины (Abrasions) 1: Ушибы (Bruises) 2: Ожоги (Burns) 3: Порезы (Cut) 4: Диабетические раны (Diabetic Wounds) 5: Рваные раны (Laseration - возможно, опечатка, должно быть Laceration) 6: Норма (Normal) 7: Пролежни (Pressure Wounds) 8: Хирургические раны (Surgical Wounds) 9: Венозные язвы (Venous Wounds) Ссылки Hemg/Wound-Image-classification Ссылки https:// https://huggingface.co/Hemg/Wound-Image-classification Источник: https://qubu.ai/models/model-wound-image-classification License: MIT