msoft_detr_finetuned_cppe5_5

This model is a fine-tuned version of microsoft/conditional-detr-resnet-50 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 1.6502
• Map: 0.1506
• Map 50: 0.3241
• Map 75: 0.1179
• Map Small: 0.0383
• Map Medium: 0.1155
• Map Large: 0.2123
• Mar 1: 0.1856
• Mar 10: 0.3707
• Mar 100: 0.3953
• Mar Small: 0.1845
• Mar Medium: 0.3383
• Mar Large: 0.5613
• Map Coverall: 0.4385
• Mar 100 Coverall: 0.6243
• Map Face Shield: 0.0432
• Mar 100 Face Shield: 0.3886
• Map Gloves: 0.0719
• Mar 100 Gloves: 0.3103
• Map Goggles: 0.0309
• Mar 100 Goggles: 0.2846
• Map Mask: 0.1683
• Mar 100 Mask: 0.3684

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 5e-05
• train_batch_size: 8
• eval_batch_size: 8
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: cosine
• num_epochs: 20

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Coverall	Mar 100 Coverall	Map Face Shield	Mar 100 Face Shield	Map Gloves	Mar 100 Gloves	Map Goggles	Mar 100 Goggles	Map Mask	Mar 100 Mask
No log	1.0	50	3.3082	0.0005	0.0023	0.0	0.0005	0.0008	0.0004	0.0007	0.0115	0.0303	0.0124	0.0346	0.0328	0.0006	0.0631	0.0	0.0	0.0015	0.0531	0.0	0.0	0.0002	0.0351
No log	2.0	100	2.5406	0.0093	0.0254	0.0058	0.0083	0.0184	0.0093	0.0353	0.1003	0.1367	0.0596	0.1127	0.176	0.0281	0.2554	0.0012	0.038	0.003	0.1402	0.0012	0.0246	0.0133	0.2253
No log	3.0	150	2.2947	0.0378	0.097	0.0256	0.0102	0.0315	0.0531	0.0876	0.188	0.2363	0.1059	0.1821	0.3366	0.1268	0.4113	0.0159	0.119	0.0042	0.2004	0.0175	0.1492	0.0248	0.3013
No log	4.0	200	2.1994	0.0417	0.0962	0.0321	0.0092	0.032	0.0541	0.0946	0.2085	0.2556	0.0886	0.194	0.3656	0.1454	0.4829	0.0148	0.1165	0.0059	0.1897	0.0075	0.1585	0.0349	0.3302
No log	5.0	250	2.1116	0.0609	0.1345	0.0457	0.0149	0.0454	0.0779	0.1193	0.2433	0.2826	0.1029	0.2107	0.4202	0.2176	0.5306	0.0255	0.1861	0.011	0.2179	0.009	0.1738	0.0417	0.3044
No log	6.0	300	2.0783	0.0523	0.1158	0.043	0.0143	0.0381	0.0587	0.1021	0.2353	0.2789	0.1027	0.2118	0.3719	0.1791	0.5491	0.0137	0.1785	0.0126	0.1902	0.0116	0.1846	0.0448	0.292
No log	7.0	350	2.0252	0.0686	0.1619	0.0602	0.0155	0.051	0.0825	0.1253	0.2744	0.31	0.1124	0.2388	0.4518	0.2246	0.5617	0.0207	0.2532	0.0141	0.2326	0.0121	0.1708	0.0713	0.332
No log	8.0	400	1.9021	0.0952	0.2082	0.076	0.0155	0.0727	0.1111	0.1262	0.2869	0.3243	0.1054	0.2691	0.4416	0.3488	0.6284	0.0199	0.2114	0.0274	0.25	0.0109	0.2015	0.0689	0.3302
No log	9.0	450	1.8629	0.1124	0.2367	0.1016	0.0268	0.0809	0.1382	0.1613	0.3163	0.3522	0.1259	0.2844	0.5206	0.372	0.6162	0.0335	0.3	0.0289	0.267	0.0193	0.2262	0.1082	0.3516
3.5058	10.0	500	1.7706	0.1132	0.2447	0.0912	0.0249	0.0863	0.1384	0.1611	0.3268	0.3662	0.1789	0.3043	0.5176	0.3747	0.5905	0.0239	0.3051	0.0317	0.3009	0.0284	0.2415	0.1074	0.3929
3.5058	11.0	550	1.7552	0.1238	0.2833	0.0924	0.032	0.1008	0.1517	0.1603	0.3388	0.3762	0.1731	0.3242	0.5294	0.3793	0.5757	0.0325	0.362	0.0424	0.308	0.0275	0.2554	0.1374	0.38
3.5058	12.0	600	1.7298	0.1275	0.2938	0.0959	0.0361	0.0978	0.1648	0.1692	0.3493	0.382	0.1624	0.3309	0.5347	0.3959	0.6158	0.0438	0.381	0.0477	0.3022	0.0255	0.2662	0.1247	0.3449
3.5058	13.0	650	1.7136	0.136	0.2982	0.0999	0.0341	0.1025	0.1757	0.1758	0.3593	0.3918	0.178	0.3362	0.55	0.4242	0.6225	0.0469	0.381	0.0507	0.3022	0.0258	0.2862	0.1326	0.3671
3.5058	14.0	700	1.6856	0.1451	0.319	0.1159	0.0361	0.1075	0.1986	0.1834	0.3631	0.395	0.1736	0.3379	0.5598	0.4343	0.641	0.0486	0.381	0.0599	0.3076	0.0298	0.2754	0.1527	0.3698
3.5058	15.0	750	1.6613	0.148	0.3162	0.1197	0.0394	0.1165	0.1989	0.1836	0.3721	0.399	0.1881	0.3358	0.5663	0.4398	0.6365	0.0451	0.3962	0.0639	0.3058	0.0348	0.2877	0.1563	0.3689
3.5058	16.0	800	1.6491	0.1487	0.3267	0.1178	0.0406	0.118	0.2019	0.19	0.3722	0.3981	0.1847	0.3418	0.5637	0.4385	0.6293	0.0404	0.381	0.068	0.3098	0.0319	0.3	0.1646	0.3702
3.5058	17.0	850	1.6468	0.1489	0.3263	0.1187	0.0374	0.1188	0.2089	0.1894	0.3708	0.3978	0.1931	0.3406	0.5609	0.4355	0.6288	0.0426	0.3848	0.0693	0.3129	0.0314	0.2892	0.1658	0.3733
3.5058	18.0	900	1.6533	0.1487	0.3212	0.1177	0.0356	0.1137	0.2078	0.1856	0.3703	0.3964	0.1931	0.3356	0.5642	0.4369	0.6266	0.0412	0.3899	0.0721	0.3098	0.0292	0.2846	0.164	0.3711
3.5058	19.0	950	1.6509	0.1503	0.3241	0.1176	0.0383	0.1153	0.2121	0.1843	0.3705	0.3953	0.1848	0.3379	0.5623	0.4378	0.6234	0.0433	0.3899	0.0713	0.3103	0.0309	0.2846	0.1681	0.3684
1.4402	20.0	1000	1.6502	0.1506	0.3241	0.1179	0.0383	0.1155	0.2123	0.1856	0.3707	0.3953	0.1845	0.3383	0.5613	0.4385	0.6243	0.0432	0.3886	0.0719	0.3103	0.0309	0.2846	0.1683	0.3684

Framework versions

• Transformers 4.44.0
• Pytorch 2.5.0+cu124
• Datasets 2.21.0
• Tokenizers 0.19.1