unet-efficientnet-b2-malaria-trophozoites-wbc

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.1470

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: 0.0003
• train_batch_size: 16
• eval_batch_size: 16
• seed: 42
• optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.02
• num_epochs: 90

Training results

Training Loss	Epoch	Step	Validation Loss
No log	1.0	484	0.8717
10.9992	2.0	968	0.1936
0.2866	3.0	1452	0.1798
0.1569	4.0	1936	0.1670
0.1414	5.0	2420	0.1650
0.1392	6.0	2904	0.1629
0.1342	7.0	3388	0.1626
0.1326	8.0	3872	0.1569
0.1332	9.0	4356	0.1577
0.1323	10.0	4840	0.1609
0.1295	11.0	5324	0.1549
0.127	12.0	5808	0.1552
0.1277	13.0	6292	0.1560
0.126	14.0	6776	0.1550
0.1267	15.0	7260	0.1524
0.1261	16.0	7744	0.1535
0.131	17.0	8228	0.1541
0.1258	18.0	8712	0.1532
0.1232	19.0	9196	0.1505
0.1258	20.0	9680	0.1616
0.1257	21.0	10164	0.1547
0.1251	22.0	10648	0.1516
0.1264	23.0	11132	0.1512
0.1221	24.0	11616	0.1527
0.1239	25.0	12100	0.1536
0.1221	26.0	12584	0.1520
0.1272	27.0	13068	0.1515
0.1214	28.0	13552	0.1522
0.1211	29.0	14036	0.1490
0.1202	30.0	14520	0.1515
0.1256	31.0	15004	0.1503
0.1256	32.0	15488	0.1513
0.1215	33.0	15972	0.1494
0.1222	34.0	16456	0.1516
0.1226	35.0	16940	0.1507
0.1218	36.0	17424	0.1493
0.1222	37.0	17908	0.1529
0.12	38.0	18392	0.1516
0.1226	39.0	18876	0.1506
0.1213	40.0	19360	0.1495
0.1205	41.0	19844	0.1481
0.1207	42.0	20328	0.1495
0.1189	43.0	20812	0.1480
0.1194	44.0	21296	0.1488
0.1219	45.0	21780	0.1510
0.1191	46.0	22264	0.1492
0.1217	47.0	22748	0.1487
0.1185	48.0	23232	0.1511
0.1205	49.0	23716	0.1475
0.1218	50.0	24200	0.1497
0.1194	51.0	24684	0.1495
0.1221	52.0	25168	0.1497
0.1171	53.0	25652	0.1487
0.1189	54.0	26136	0.1476
0.1188	55.0	26620	0.1498
0.1186	56.0	27104	0.1483
0.1188	57.0	27588	0.1484
0.1177	58.0	28072	0.1488
0.1198	59.0	28556	0.1503
0.1173	60.0	29040	0.1476
0.1192	61.0	29524	0.1474
0.1189	62.0	30008	0.1476
0.1189	63.0	30492	0.1490
0.1167	64.0	30976	0.1485
0.1198	65.0	31460	0.1474
0.1177	66.0	31944	0.1477
0.1188	67.0	32428	0.1489
0.1174	68.0	32912	0.1478
0.1171	69.0	33396	0.1477
0.12	70.0	33880	0.1483
0.1188	71.0	34364	0.1475
0.1172	72.0	34848	0.1477
0.1174	73.0	35332	0.1474
0.1174	74.0	35816	0.1487
0.1174	75.0	36300	0.1484
0.1178	76.0	36784	0.1478
0.1169	77.0	37268	0.1488
0.1182	78.0	37752	0.1478
0.1132	79.0	38236	0.1477
0.1175	80.0	38720	0.1472
0.1142	81.0	39204	0.1473
0.1176	82.0	39688	0.1475
0.118	83.0	40172	0.1476
0.1168	84.0	40656	0.1475
0.116	85.0	41140	0.1475
0.116	86.0	41624	0.1472
0.1164	87.0	42108	0.1472
0.1149	88.0	42592	0.1474
0.1144	89.0	43076	0.1471
0.1154	90.0	43560	0.1470

Framework versions

• Transformers 4.48.3
• Pytorch 2.5.1+cu124
• Datasets 3.3.0
• Tokenizers 0.21.0