Hugging Face's logo

optimization-hashira
/
cppe_finetuned_microsoft_detr

Object Detection
Transformers
TensorBoard
Safetensors
conditional_detr
Generated from Trainer
Model card Files Metrics Community
cppe_finetuned_microsoft_detr / README.md
optimization-hashira's picture
optimization-hashira
End of training
8a50dab verified
preview code
|
raw
history blame contribute delete
12.7 kB
metadata
library_name: transformers
license: apache-2.0
base_model: microsoft/conditional-detr-resnet-50
tags:
  - generated_from_trainer
model-index:
  - name: cppe_finetuned_microsoft_detr
    results: []

cppe_finetuned_microsoft_detr

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: 1.0626
  • Map: 0.3024
  • Map 50: 0.5805
  • Map 75: 0.267
  • Map Small: 0.1176
  • Map Medium: 0.2792
  • Map Large: 0.4209
  • Mar 1: 0.3265
  • Mar 10: 0.4753
  • Mar 100: 0.493
  • Mar Small: 0.2999
  • Mar Medium: 0.4328
  • Mar Large: 0.5974
  • Map Coverall: 0.6047
  • Mar 100 Coverall: 0.7317
  • Map Face Shield: 0.1945
  • Mar 100 Face Shield: 0.4371
  • Map Gloves: 0.2079
  • Mar 100 Gloves: 0.3809
  • Map Goggles: 0.1927
  • Mar 100 Goggles: 0.4708
  • Map Mask: 0.3121
  • Mar 100 Mask: 0.4444

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: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • num_epochs: 30

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 1.0 107 1.2931 0.1555 0.3243 0.1314 0.0558 0.1632 0.1669 0.1937 0.3673 0.4018 0.195 0.365 0.4633 0.4548 0.6756 0.0363 0.2903 0.0701 0.3393 0.0442 0.3063 0.172 0.3974
No log 2.0 214 1.2610 0.1908 0.3986 0.1517 0.0879 0.1743 0.2192 0.2276 0.4023 0.4378 0.2142 0.3801 0.5356 0.5089 0.6861 0.0549 0.3403 0.0915 0.3764 0.0949 0.35 0.204 0.436
No log 3.0 321 1.2437 0.1857 0.385 0.1501 0.0685 0.1703 0.2282 0.2215 0.3818 0.4142 0.2441 0.3476 0.4908 0.5133 0.6906 0.0584 0.3145 0.0869 0.3348 0.0627 0.3104 0.2073 0.4206
No log 4.0 428 1.2333 0.1856 0.3823 0.1584 0.0645 0.1891 0.2458 0.2334 0.4016 0.435 0.2289 0.3904 0.5318 0.48 0.6717 0.0516 0.3597 0.0926 0.3449 0.0925 0.4021 0.2111 0.3968
1.2628 5.0 535 1.1888 0.2164 0.4411 0.1896 0.0945 0.2176 0.2803 0.2553 0.4269 0.458 0.2953 0.4162 0.5399 0.5172 0.6944 0.0615 0.4032 0.1291 0.3904 0.1075 0.3667 0.2666 0.4354
1.2628 6.0 642 1.2081 0.2176 0.4395 0.1929 0.1024 0.2072 0.2821 0.2459 0.4112 0.4422 0.2462 0.3919 0.5244 0.5461 0.6694 0.0926 0.3855 0.1002 0.3253 0.1061 0.4125 0.2431 0.4185
1.2628 7.0 749 1.1817 0.2211 0.4487 0.1808 0.1157 0.22 0.2853 0.2672 0.4291 0.4571 0.2933 0.4044 0.5384 0.5562 0.6983 0.114 0.3887 0.1202 0.3635 0.0768 0.3875 0.2384 0.4476
1.2628 8.0 856 1.1479 0.2366 0.4707 0.2 0.095 0.2234 0.3338 0.2812 0.4407 0.4614 0.2716 0.4098 0.5436 0.5626 0.7022 0.0875 0.4048 0.1459 0.3657 0.1235 0.4104 0.2632 0.4238
1.2628 9.0 963 1.1549 0.2368 0.489 0.1934 0.1169 0.2275 0.3217 0.2798 0.4324 0.4575 0.2512 0.4139 0.5355 0.5537 0.6856 0.1044 0.4 0.1528 0.3506 0.1268 0.4187 0.2465 0.4328
1.1288 10.0 1070 1.1305 0.2359 0.4874 0.1974 0.0855 0.2248 0.3196 0.2768 0.4554 0.4793 0.2871 0.4268 0.5719 0.563 0.7083 0.0903 0.4306 0.1509 0.368 0.0978 0.4542 0.2777 0.4354
1.1288 11.0 1177 1.1459 0.2407 0.4803 0.2174 0.115 0.2211 0.3336 0.2786 0.4438 0.471 0.2459 0.417 0.5717 0.5698 0.7156 0.1062 0.4258 0.1374 0.3461 0.139 0.4417 0.2511 0.4259
1.1288 12.0 1284 1.1289 0.2497 0.5027 0.2098 0.1368 0.2233 0.3492 0.2913 0.4496 0.4676 0.2719 0.3944 0.5732 0.5902 0.7117 0.1187 0.4145 0.1528 0.3478 0.1139 0.425 0.2729 0.4392
1.1288 13.0 1391 1.1266 0.2564 0.5143 0.2167 0.1368 0.2323 0.3596 0.296 0.4573 0.4824 0.2703 0.4183 0.6026 0.5731 0.7056 0.1374 0.4435 0.1614 0.3517 0.1354 0.4854 0.2745 0.4259
1.1288 14.0 1498 1.1110 0.2641 0.5054 0.2241 0.1242 0.2381 0.3797 0.3017 0.4593 0.4811 0.2946 0.422 0.5822 0.5887 0.7206 0.1489 0.4323 0.1551 0.35 0.1371 0.4563 0.2906 0.4466
1.0237 15.0 1605 1.0852 0.2788 0.5402 0.2488 0.1479 0.2432 0.3835 0.2996 0.4663 0.492 0.3137 0.4293 0.5889 0.5757 0.7133 0.1546 0.4419 0.1981 0.3972 0.1701 0.4688 0.2953 0.4386
1.0237 16.0 1712 1.0886 0.2768 0.5406 0.2381 0.1037 0.2503 0.3823 0.3031 0.4631 0.4878 0.292 0.431 0.5886 0.5799 0.715 0.1653 0.4435 0.2027 0.3916 0.1374 0.4458 0.2987 0.4429
1.0237 17.0 1819 1.0825 0.2755 0.5308 0.2419 0.1058 0.2549 0.3796 0.3094 0.4629 0.4839 0.261 0.433 0.5792 0.5822 0.7083 0.1686 0.421 0.1964 0.3837 0.1297 0.4583 0.3005 0.4481
1.0237 18.0 1926 1.0832 0.2878 0.5609 0.2468 0.1383 0.2599 0.4 0.3072 0.4664 0.4858 0.279 0.4257 0.6015 0.591 0.7139 0.1712 0.4177 0.2039 0.3848 0.1659 0.4771 0.307 0.4354
0.9398 19.0 2033 1.0871 0.283 0.5585 0.2483 0.1222 0.2519 0.4097 0.3143 0.4597 0.4822 0.2877 0.4131 0.5994 0.5798 0.7117 0.1882 0.4226 0.2148 0.386 0.1401 0.4479 0.2921 0.4429
0.9398 20.0 2140 1.0830 0.2926 0.5668 0.2684 0.1397 0.2659 0.4047 0.311 0.466 0.4844 0.2939 0.4176 0.5936 0.5834 0.7172 0.1957 0.4306 0.2104 0.3798 0.1691 0.45 0.3042 0.4444
0.9398 21.0 2247 1.0669 0.2973 0.5757 0.2692 0.134 0.2775 0.4069 0.3216 0.4725 0.494 0.2879 0.4342 0.5977 0.5851 0.7106 0.1966 0.4355 0.2185 0.3865 0.1791 0.4833 0.3072 0.454
0.9398 22.0 2354 1.0805 0.2894 0.5703 0.2566 0.1277 0.2651 0.421 0.3232 0.4695 0.4863 0.3147 0.4199 0.5961 0.5887 0.7194 0.1879 0.4403 0.2018 0.3646 0.1696 0.4667 0.2989 0.4402
0.9398 23.0 2461 1.0686 0.3071 0.5837 0.2746 0.1368 0.2735 0.4291 0.3296 0.4745 0.4905 0.303 0.4352 0.5913 0.6071 0.7344 0.1998 0.4468 0.2135 0.3736 0.2062 0.4563 0.3088 0.4413
0.8602 24.0 2568 1.0703 0.2993 0.5735 0.2705 0.1225 0.2744 0.4134 0.3201 0.4754 0.4916 0.3 0.4343 0.5966 0.6049 0.7378 0.1961 0.4387 0.2067 0.3787 0.1804 0.4667 0.3084 0.436
0.8602 25.0 2675 1.0672 0.3009 0.5742 0.2655 0.1273 0.2775 0.419 0.3263 0.4804 0.4989 0.3047 0.4422 0.5972 0.6047 0.7333 0.1898 0.4435 0.2015 0.3826 0.1979 0.4854 0.3104 0.4497
0.8602 26.0 2782 1.0661 0.3021 0.5755 0.268 0.1187 0.2731 0.4256 0.3241 0.4786 0.4935 0.3007 0.4297 0.6028 0.6021 0.725 0.1903 0.4387 0.2072 0.377 0.1982 0.475 0.3126 0.4519
0.8602 27.0 2889 1.0628 0.3009 0.5737 0.2665 0.1136 0.2778 0.42 0.3231 0.4755 0.493 0.2926 0.4344 0.5994 0.603 0.7289 0.1875 0.4403 0.2061 0.3826 0.1989 0.4708 0.3091 0.4423
0.8602 28.0 2996 1.0646 0.3031 0.579 0.2694 0.1169 0.2819 0.4205 0.3269 0.4762 0.4935 0.2948 0.4355 0.5975 0.6047 0.7317 0.1945 0.4435 0.21 0.3798 0.1918 0.4667 0.3144 0.446
0.8206 29.0 3103 1.0626 0.3031 0.5804 0.2679 0.1177 0.2792 0.4217 0.3266 0.4754 0.4929 0.2936 0.433 0.5982 0.605 0.7311 0.1945 0.4355 0.2076 0.382 0.1956 0.4708 0.3126 0.445
0.8206 30.0 3210 1.0626 0.3024 0.5805 0.267 0.1176 0.2792 0.4209 0.3265 0.4753 0.493 0.2999 0.4328 0.5974 0.6047 0.7317 0.1945 0.4371 0.2079 0.3809 0.1927 0.4708 0.3121 0.4444

Framework versions

  • Transformers 4.51.3
  • Pytorch 2.6.0+cu124
  • Datasets 3.6.0
  • Tokenizers 0.21.1