MedicalVision/yolos_tiny_600ep_overfitting
MedicalVision
Detección de objetos
El modelo 'yolos_tiny_600ep_overfitting' de MedicalVision es una arquitectura de detección de objetos basada en transformers, optimizada y entrenada durante 600 épocas. Este modelo utiliza la tecnología Safetensors y está diseñado específicamente para la detección de objetos, con una precisión mejorada después del entrenamiento. Se basa en el modelo original hustvl/yolos-tiny y ha sido adaptado y configurado para mejorar su rendimiento en áreas pequeñas y medianas, aunque muestra sobreajuste en algunos datos.
Como usar
Para utilizar este modelo, puedes seguir la siguiente configuración y proceso de entrenamiento documentado:
{'validation_loss': tensor(7.1177, device='cuda:0'), 'validation_loss_ce': tensor(2.3438, device='cuda:0'), 'validation_loss_bbox': tensor(0.5517, device='cuda:0'), 'validation_loss_giou': tensor(1.0076, device='cuda:0'), 'validation_cardinality_error': tensor(98.9375, device='cuda:0')}
{'training_loss': tensor(4.8380, device='cuda:0'), 'train_loss_ce': tensor(1.9076, device='cuda:0'), 'train_loss_bbox': tensor(0.2720, device='cuda:0'), 'train_loss_giou': tensor(0.7852, device='cuda:0'), 'train_cardinality_error': tensor(40.5000, device='cuda:0'), 'validation_loss': tensor(4.6572, device='cuda:0'), 'validation_loss_ce': tensor(1.9323, device='cuda:0'), 'validation_loss_bbox': tensor(0.2644, device='cuda:0'), 'validation_loss_giou': tensor(0.7016, device='cuda:0'), 'validation_cardinality_error': tensor(64.3898, device='cuda:0')}
El modelo también puede ser evaluado y probado con ejemplos específicos, como se detalla en la sección de configuración.
Funcionalidades
- Arquitectura basada en transformers
- Entrenado durante 600 épocas
- Utiliza tecnología Safetensors para una mayor eficiencia
- Optimizado para la detección de objetos en diversas áreas
- Configuración personalizada con decaimiento de peso y tasa de abandono
- Soporte para áreas pequeñas, medianas y grandes
Casos de uso
- Detección de objetos en imágenes médicas
- Análisis de imágenes de patologías
- Identificación de áreas pequeñas y medianas en análisis clínicos
- Implementación en sistemas de ayuda al diagnóstico