Hugging Face's logo

jaxnwagner
/
msoft_detr_finetuned_cppe5_5

TensorBoard
Safetensors
conditional_detr
Generated from Trainer
Model card Files Metrics Community
msoft_detr_finetuned_cppe5_5 / README.md
jaxnwagner's picture
jaxnwagner
End of training
08578d7 verified
preview code
|
raw
history blame contribute delete
9.2 kB
metadata
license: apache-2.0
base_model: microsoft/conditional-detr-resnet-50
tags:
  - generated_from_trainer
model-index:
  - name: msoft_detr_finetuned_cppe5_5
    results: []

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