You can deploy this model and start earning money today!

ArrayDice/
detr_finetuned_cppe5

Name: detr_finetuned_cppe5
Rating: 2.5 (9 reviews)

generated_from_trainer

microsoft/conditional-detr-resnet-50

finetune

apache-2.0

endpoints_compatible

Views

No views yet

detr_finetuned_cppe5

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: 1.3461
Map: 0.2811
Map 50: 0.561
Map 75: 0.239
Map Small: 0.0945
Map Medium: 0.2317
Map Large: 0.419
Mar 1: 0.2736
Mar 10: 0.4208
Mar 100: 0.4388
Mar Small: 0.2191
Mar Medium: 0.3871
Mar Large: 0.598
Map Coverall: 0.5394
Mar 100 Coverall: 0.6554
Map Face Shield: 0.2284
Mar 100 Face Shield: 0.4405
Map Gloves: 0.1791
Mar 100 Gloves: 0.3598
Map Goggles: 0.1786
Mar 100 Goggles: 0.3354
Map Mask: 0.2802
Mar 100 Mask: 0.4027

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: 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	2.4496	0.0083	0.0289	0.0024	0.0047	0.01	0.0114	0.019	0.0813	0.1191	0.0915	0.1324	0.1166	0.0124	0.136	0.0099	0.1278	0.0067	0.1192	0.0	0.0	0.0124	0.2124
No log	2.0	214	2.2684	0.0299	0.0782	0.0173	0.0074	0.0189	0.0401	0.0639	0.1661	0.1995	0.0976	0.1604	0.2428	0.0954	0.391	0.0145	0.1772	0.0077	0.1871	0.0	0.0	0.0322	0.2422
No log	3.0	321	2.0298	0.0535	0.1159	0.0446	0.0097	0.0477	0.0618	0.0981	0.2257	0.268	0.133	0.2193	0.3214	0.1778	0.5667	0.0256	0.2215	0.0099	0.2138	0.0008	0.0323	0.0533	0.3058
No log	4.0	428	1.8945	0.0859	0.1853	0.0702	0.0334	0.0778	0.0961	0.1189	0.293	0.3341	0.1919	0.2761	0.4265	0.2585	0.6189	0.049	0.3177	0.0166	0.2567	0.0041	0.1538	0.1011	0.3231
3.4087	5.0	535	1.8465	0.0983	0.2227	0.0737	0.031	0.0773	0.1063	0.1557	0.308	0.3463	0.1614	0.2826	0.486	0.3287	0.6045	0.0574	0.3468	0.036	0.2786	0.0086	0.2369	0.061	0.2644
3.4087	6.0	642	1.7933	0.1135	0.2609	0.0872	0.029	0.0843	0.1564	0.1418	0.3147	0.3511	0.1587	0.2775	0.5219	0.382	0.6018	0.0429	0.3215	0.0267	0.2728	0.011	0.2169	0.1048	0.3427
3.4087	7.0	749	1.7358	0.128	0.2893	0.1046	0.0681	0.1009	0.1695	0.1657	0.3336	0.371	0.202	0.3124	0.5316	0.3881	0.5892	0.0586	0.3747	0.0395	0.3089	0.0332	0.2569	0.1203	0.3253
3.4087	8.0	856	1.6967	0.1554	0.346	0.1184	0.0488	0.1298	0.2155	0.1863	0.3443	0.372	0.1588	0.3188	0.5313	0.4219	0.5959	0.0906	0.3658	0.0653	0.3058	0.0395	0.2569	0.1595	0.3356
3.4087	9.0	963	1.6399	0.1636	0.3504	0.1231	0.0682	0.139	0.2298	0.1889	0.3603	0.3918	0.2191	0.3224	0.5498	0.418	0.5883	0.0996	0.4038	0.0647	0.3232	0.0303	0.2708	0.2056	0.3729
1.5778	10.0	1070	1.5569	0.1838	0.3943	0.143	0.0643	0.1485	0.2628	0.2179	0.3785	0.3994	0.2143	0.3385	0.5573	0.4564	0.6185	0.1166	0.3899	0.091	0.3165	0.0554	0.3108	0.1994	0.3613
1.5778	11.0	1177	1.5197	0.1939	0.4116	0.1664	0.081	0.1464	0.2871	0.2228	0.3794	0.4032	0.1872	0.3522	0.5597	0.4738	0.6203	0.1204	0.4089	0.0977	0.3058	0.0806	0.3231	0.197	0.3582
1.5778	12.0	1284	1.4805	0.2164	0.466	0.1818	0.0903	0.1561	0.3301	0.2355	0.3812	0.4044	0.1933	0.3425	0.5688	0.4865	0.6279	0.1528	0.4418	0.122	0.321	0.0801	0.28	0.2405	0.3511
1.5778	13.0	1391	1.4775	0.216	0.4679	0.1811	0.096	0.1596	0.3276	0.2327	0.3889	0.4121	0.2207	0.3467	0.5831	0.4643	0.6054	0.1596	0.438	0.1273	0.3299	0.0984	0.3231	0.2303	0.364
1.5778	14.0	1498	1.4550	0.2185	0.4864	0.16	0.0813	0.1483	0.3481	0.2396	0.3863	0.409	0.2272	0.3341	0.5899	0.4974	0.6428	0.1488	0.4203	0.143	0.325	0.0954	0.2985	0.2082	0.3587
1.3087	15.0	1605	1.4381	0.2388	0.4949	0.2116	0.0844	0.184	0.3583	0.2521	0.3961	0.4194	0.1964	0.3474	0.5867	0.5148	0.6432	0.1774	0.4228	0.1375	0.3152	0.1241	0.3385	0.2401	0.3773
1.3087	16.0	1712	1.4094	0.2482	0.5241	0.2015	0.0931	0.1922	0.3754	0.2535	0.4039	0.4216	0.2291	0.3709	0.576	0.5054	0.6419	0.1876	0.4114	0.1622	0.3393	0.1283	0.3338	0.2578	0.3818
1.3087	17.0	1819	1.4044	0.2528	0.5311	0.2088	0.096	0.2052	0.3609	0.2595	0.4056	0.4228	0.223	0.3795	0.5587	0.516	0.6396	0.2009	0.4177	0.1449	0.3384	0.143	0.3354	0.2593	0.3831
1.3087	18.0	1926	1.3968	0.2581	0.5282	0.2107	0.101	0.2083	0.3787	0.2659	0.4174	0.4363	0.2289	0.3908	0.5821	0.5132	0.6387	0.213	0.4797	0.1584	0.3371	0.1375	0.3431	0.2682	0.3827
1.1363	19.0	2033	1.3735	0.2592	0.5349	0.2235	0.0869	0.2076	0.3936	0.2661	0.4127	0.4335	0.2159	0.3829	0.5907	0.5222	0.6414	0.2115	0.4468	0.1608	0.3549	0.1408	0.3431	0.2609	0.3813
1.1363	20.0	2140	1.3686	0.266	0.5447	0.2204	0.0897	0.2138	0.3875	0.268	0.4117	0.4326	0.2102	0.3875	0.5781	0.5323	0.6446	0.1933	0.4418	0.1727	0.3558	0.1537	0.3246	0.278	0.396
1.1363	21.0	2247	1.3672	0.2659	0.5446	0.2266	0.0859	0.2198	0.3884	0.2687	0.4164	0.4339	0.2135	0.3914	0.5779	0.5341	0.6505	0.1966	0.419	0.1624	0.3513	0.1698	0.3554	0.2668	0.3933
1.1363	22.0	2354	1.3658	0.2731	0.5472	0.2303	0.095	0.2174	0.4119	0.27	0.4179	0.4383	0.202	0.3904	0.5994	0.5311	0.6473	0.2131	0.4494	0.179	0.3545	0.1672	0.3492	0.2754	0.3911
1.1363	23.0	2461	1.3644	0.2692	0.5458	0.228	0.0937	0.2188	0.4008	0.2681	0.4205	0.4394	0.2104	0.3876	0.6031	0.534	0.6518	0.2028	0.4418	0.175	0.3594	0.1635	0.3477	0.2708	0.3964
1.0307	24.0	2568	1.3586	0.269	0.5419	0.2327	0.0933	0.2161	0.4067	0.2699	0.4208	0.439	0.2168	0.392	0.5983	0.5384	0.6527	0.2045	0.443	0.1728	0.3536	0.1581	0.3508	0.2709	0.3951
1.0307	25.0	2675	1.3503	0.2788	0.5573	0.239	0.0992	0.2301	0.4157	0.273	0.4225	0.4416	0.2261	0.388	0.6083	0.5361	0.6581	0.2253	0.4519	0.1805	0.3634	0.1742	0.3338	0.2779	0.4009
1.0307	26.0	2782	1.3441	0.2803	0.5605	0.2394	0.0922	0.2291	0.4206	0.2702	0.4213	0.4406	0.2174	0.387	0.6034	0.5392	0.6604	0.2319	0.4481	0.1831	0.3634	0.1761	0.3369	0.2711	0.3942
1.0307	27.0	2889	1.3461	0.2811	0.5603	0.2465	0.0939	0.23	0.4185	0.2741	0.4231	0.4418	0.2217	0.3879	0.6041	0.537	0.6545	0.2329	0.4506	0.181	0.3638	0.1792	0.3385	0.2753	0.4013
1.0307	28.0	2996	1.3462	0.2799	0.5611	0.2378	0.0943	0.231	0.4151	0.2732	0.4211	0.4392	0.2194	0.3863	0.5988	0.5376	0.655	0.2291	0.4456	0.179	0.3616	0.176	0.3323	0.2775	0.4013
0.9602	29.0	3103	1.3458	0.2811	0.5599	0.2393	0.094	0.2311	0.4197	0.2734	0.4208	0.4385	0.2191	0.3862	0.5986	0.5393	0.6559	0.2282	0.4405	0.1785	0.3594	0.1788	0.3338	0.2806	0.4031
0.9602	30.0	3210	1.3461	0.2811	0.561	0.239	0.0945	0.2317	0.419	0.2736	0.4208	0.4388	0.2191	0.3871	0.598	0.5394	0.6554	0.2284	0.4405	0.1791	0.3598	0.1786	0.3354	0.2802	0.4027

Framework versions

Transformers 4.41.2
Pytorch 2.3.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

ArrayDice/detr_finetuned_cppe5

detr_finetuned_cppe5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

ArrayDice/
detr_finetuned_cppe5