Классификация изображений ран и повреждений

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