[train hyper-parameters: Namespace(batch_size=8, epochs=30, freeze_layers=False, lr=0.001, lrf=0.001)]
[train mean: [0.311 0.202 0.13 ],train std:[0.181 0.113 0.078]]
[epoch: 1]
train loss:0.0846 train accuracy:0.7038
train loss:0.0846 test accuracy:0.8056
[epoch: 2]
train loss:0.0712 train accuracy:0.7735
train loss:0.0712 test accuracy:0.7083
[epoch: 3]
train loss:0.0650 train accuracy:0.7700
train loss:0.0650 test accuracy:0.7083
[epoch: 4]
train loss:0.0580 train accuracy:0.7491
train loss:0.0580 test accuracy:0.7639
[epoch: 5]
train loss:0.0404 train accuracy:0.8746
train loss:0.0404 test accuracy:0.8472
[epoch: 6]
train loss:0.0392 train accuracy:0.8955
train loss:0.0392 test accuracy:0.8056
[epoch: 7]
train loss:0.0396 train accuracy:0.8780
train loss:0.0396 test accuracy:0.7778
[epoch: 8]
train loss:0.0390 train accuracy:0.8641
train loss:0.0390 test accuracy:0.8750
[epoch: 9]
train loss:0.0366 train accuracy:0.9199
train loss:0.0366 test accuracy:0.8750
[epoch: 10]
train loss:0.0270 train accuracy:0.8571
train loss:0.0270 test accuracy:0.7778
[epoch: 11]
train loss:0.0256 train accuracy:0.8885
train loss:0.0256 test accuracy:0.8889
[epoch: 12]
train loss:0.0316 train accuracy:0.7944
train loss:0.0316 test accuracy:0.7222
[epoch: 13]
train loss:0.0287 train accuracy:0.9582
train loss:0.0287 test accuracy:0.9028
[epoch: 14]
train loss:0.0269 train accuracy:0.9094
train loss:0.0269 test accuracy:0.8611
[epoch: 15]
train loss:0.0261 train accuracy:0.9512
train loss:0.0261 test accuracy:0.8611
[epoch: 16]
train loss:0.0236 train accuracy:0.9477
train loss:0.0236 test accuracy:0.8889
[epoch: 17]
train loss:0.0241 train accuracy:0.9408
train loss:0.0241 test accuracy:0.8333
[epoch: 18]
train loss:0.0219 train accuracy:0.9338
train loss:0.0219 test accuracy:0.8750
[epoch: 19]
train loss:0.0217 train accuracy:0.9617
train loss:0.0217 test accuracy:0.9167
[epoch: 20]
train loss:0.0192 train accuracy:0.9547
train loss:0.0192 test accuracy:0.9167
[epoch: 21]
train loss:0.0173 train accuracy:0.9512
train loss:0.0173 test accuracy:0.9028
[epoch: 22]
train loss:0.0130 train accuracy:0.9582
train loss:0.0130 test accuracy:0.9167
[epoch: 23]
train loss:0.0150 train accuracy:0.9686
train loss:0.0150 test accuracy:0.9028
[epoch: 24]
train loss:0.0106 train accuracy:0.9477
train loss:0.0106 test accuracy:0.9167
[epoch: 25]
train loss:0.0168 train accuracy:0.9686
train loss:0.0168 test accuracy:0.9167
[epoch: 26]
train loss:0.0106 train accuracy:0.9512
train loss:0.0106 test accuracy:0.9167
[epoch: 27]
train loss:0.0089 train accuracy:0.9547
train loss:0.0089 test accuracy:0.9167
[epoch: 28]
train loss:0.0119 train accuracy:0.9652
train loss:0.0119 test accuracy:0.9167
[epoch: 29]
train loss:0.0107 train accuracy:0.9686
train loss:0.0107 test accuracy:0.9167
[epoch: 30]
train loss:0.0129 train accuracy:0.9617
train loss:0.0129 test accuracy:0.9167
没有合适的资源?快使用搜索试试~ 我知道了~
基于 Swin-Transformer 网络对 眼底血管2分类识别项目【数据集+代码+训练好的所有结果】
共378个文件
png:363个
pyc:4个
py:4个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 133 浏览量
2024-05-12
20:39:53
上传
评论 1
收藏 716.6MB 7Z 举报
温馨提示
基于 Swin-Transformer 网络对 眼底血管2分类识别项目【数据集+代码+训练好的所有结果】】,经过测试,可以直接运行 【训练train.py】 1、训练过程中,会对数据集进行随机裁剪、翻转等数据增广等等。 2、网络初始化会自动载入官方在imagenet上的预训练权重进行迁移学习,并且计算数据的mean和std 3、训练脚本会自动生成数据集类别的 json 文件,并且通过json文件自动设定网络的输出维度,不需要自己定义输出的channel。train.py 训练完成会生成训练集的loss曲线、学习率衰减曲线、测试集的精度曲线、混淆矩阵以及训练日志等等,保存在run_results文件内。 【val.py】验证模型准确代码,输出混淆矩阵,计算召回率、精确度、acc,F1分数,roc曲线、auc值,以及p value等等 【本项目仅仅训练了30个epoch,训练集准确率为92%,加大epoch可以提升网络精度】
资源推荐
资源详情
资源评论
收起资源包目录
基于 Swin-Transformer 网络对 眼底血管2分类识别项目【数据集+代码+训练好的所有结果】 (378个子文件)
class_indices.json 152B
class_indices.json 40B
loss_accuracy_curve.png 298KB
9.png 103KB
49.png 103KB
9.png 101KB
17.png 101KB
35 (3).png 101KB
15 (3).png 100KB
11.png 100KB
15 (3).png 98KB
32 (3).png 98KB
8 (3).png 98KB
13.png 98KB
39 (3).png 97KB
22 (2).png 97KB
25.png 97KB
22 (4).png 97KB
44 (4).png 97KB
46 (2).png 96KB
1.png 96KB
2.png 96KB
2.png 96KB
46.png 96KB
36 (4).png 96KB
3 (2).png 95KB
32 (2).png 95KB
5.png 95KB
42 (2).png 95KB
10 (2).png 95KB
17 (2).png 95KB
10 (2).png 95KB
11.png 95KB
12 (3).png 95KB
14.png 94KB
35.png 94KB
5.png 94KB
5 (4).png 94KB
28 (3).png 94KB
30.png 93KB
8.png 93KB
40.png 93KB
12.png 93KB
16.png 93KB
39.png 93KB
40 (3).png 93KB
3.png 93KB
3.png 93KB
11 (2).png 93KB
25.png 93KB
13.png 93KB
16 (2).png 93KB
6.png 93KB
14.png 93KB
48 (4).png 92KB
39 (2).png 92KB
25 (3).png 92KB
15 (2).png 92KB
13.png 92KB
18.png 92KB
46.png 92KB
32 (4).png 92KB
17 (4).png 92KB
14 (3).png 92KB
12 (4).png 92KB
27 (3).png 92KB
42 (4).png 92KB
4.png 92KB
12.png 92KB
11 (3).png 92KB
4 (2).png 92KB
11.png 92KB
48 (3).png 92KB
21.png 92KB
14.png 92KB
9 (3).png 92KB
5.png 92KB
1 (3).png 92KB
3.png 91KB
43 (4).png 91KB
18.png 91KB
23.png 91KB
20 (2).png 91KB
4 (4).png 91KB
17 (4).png 91KB
18.png 91KB
10 (4).png 91KB
1 (3).png 91KB
3.png 91KB
9 (4).png 91KB
11.png 91KB
44.png 91KB
48 (2).png 91KB
1 (4).png 91KB
3 (2).png 91KB
19 (3).png 91KB
2.png 91KB
29 (3).png 91KB
8.png 91KB
13 (3).png 91KB
共 378 条
- 1
- 2
- 3
- 4
资源评论
- jingai76922024-05-31资源不错,对我启发很大,获得了新的灵感,受益匪浅。
听风吹等浪起
- 粉丝: 1w+
- 资源: 1359
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- From Nand to Tetris (I) on Coursera
- VHDL是VHSIC Hardware Description Language的缩写,全称是Very High Speed I
- Redis是一种流行的开源内存数据库,它提供了各种各样的命令和功能来处理数据 以下是一些常见的Redis命令以及它们的用法:
- 基于java+springboot高校党建基本数据管理系统的设计与实现
- 网络安全是指保护计算机网络和网络基础设施的实践和技术 随着信息技术的发展,网络安全变得越来越重要,因为许多关键信息和个人数据都存
- 基于CYCLONE FPGA设计的出租车计价器Quartus工程VERILOG源码+课设报告文档.zip
- 课程设计:稳压电源电路.zip
- 基于C++的线段树和树状数组(免费提供全部源码)
- 使用 Redis 存储用户和他们的帖子.zip
- AI绘画实操(基础版)-推荐资料
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功