learning_rate: 1e-05
train_batch_size: 4
eval_batch_size: 4
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
training_steps: 10000
mixed_precision_training: Native AMP

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 Top, t-shirt, sweatshirt	Mar 100 Top, t-shirt, sweatshirt	Map Pants	Mar 100 Pants	Map Dress	Mar 100 Dress	Map Belt	Mar 100 Belt	Map Shoe	Mar 100 Shoe	Map Sleeve	Mar 100 Sleeve	Map Pocket	Mar 100 Pocket	Map Neckline	Mar 100 Neckline
4.3049	0.0438	500	3.6778	0.0005	0.0016	0.0001	0.001	0.0006	0.0006	0.0013	0.0048	0.0091	0.0056	0.0112	0.0279	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0169	0.1377	0.0051	0.2822	0.0	0.0	0.0	0.0
4.0072	0.0877	1000	3.2435	0.0021	0.0056	0.001	0.0023	0.0028	0.0005	0.0039	0.0114	0.0155	0.0104	0.0205	0.0298	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.083	0.3566	0.0154	0.3576	0.0	0.0	0.0	0.0
3.2281	0.1315	1500	3.0550	0.0033	0.0081	0.0021	0.0029	0.0046	0.0002	0.0059	0.015	0.0181	0.013	0.0235	0.0288	0.0	0.0	0.0	0.0	0.0006	0.0075	0.0	0.0	0.1173	0.3901	0.0267	0.3585	0.0	0.0	0.0061	0.0772
3.2953	0.1753	2000	2.9315	0.0034	0.0084	0.0021	0.0024	0.0053	0.0009	0.0076	0.0197	0.0227	0.0161	0.0265	0.024	0.0	0.0	0.0	0.0	0.0098	0.1102	0.0	0.0	0.1012	0.4111	0.032	0.3735	0.0	0.0006	0.0118	0.1481
2.5306	0.2192	2500	2.8260	0.0042	0.0105	0.0028	0.0028	0.0057	0.002	0.0093	0.0241	0.0273	0.0177	0.0284	0.0343	0.0	0.0	0.0002	0.0003	0.0318	0.2535	0.0	0.0	0.1067	0.4251	0.0354	0.3962	0.0	0.0026	0.0205	0.1784
2.8446	0.2630	3000	2.7502	0.0051	0.0113	0.004	0.0034	0.0058	0.003	0.012	0.0283	0.0314	0.0161	0.0313	0.0446	0.0002	0.0008	0.0132	0.065	0.0338	0.3398	0.0	0.0	0.1305	0.4584	0.0385	0.4044	0.0	0.0078	0.018	0.1688
2.3798	0.3069	3500	2.6691	0.0065	0.0138	0.0053	0.0031	0.0065	0.0057	0.0185	0.0375	0.0407	0.0181	0.0334	0.056	0.001	0.0063	0.0486	0.2917	0.0645	0.5028	0.0	0.0	0.1233	0.4518	0.0419	0.3999	0.0	0.0108	0.0185	0.2072
1.8111	0.3507	4000	2.6270	0.0074	0.0159	0.0062	0.0037	0.0075	0.0065	0.0219	0.0415	0.0443	0.0168	0.0354	0.0607	0.0086	0.0486	0.0581	0.3519	0.0753	0.5732	0.0	0.0	0.1428	0.4334	0.0409	0.4027	0.0	0.0216	0.0165	0.2056
2.3798	0.3945	4500	2.5748	0.0076	0.0157	0.0066	0.0041	0.01	0.0061	0.0233	0.0486	0.0515	0.018	0.042	0.074	0.013	0.1139	0.0528	0.4863	0.0582	0.6506	0.0	0.0	0.1605	0.4713	0.0394	0.4381	0.0	0.0184	0.0258	0.1922
2.3017	0.4384	5000	2.5355	0.0079	0.0162	0.007	0.0044	0.0113	0.0063	0.0259	0.0521	0.0553	0.0198	0.0462	0.0793	0.0149	0.1621	0.0607	0.5462	0.0504	0.6648	0.0	0.0	0.1652	0.4824	0.0485	0.4417	0.0001	0.0277	0.0251	0.2184
2.1818	0.4822	5500	2.5019	0.0088	0.0176	0.0077	0.005	0.0118	0.0071	0.0267	0.0547	0.0575	0.0197	0.0497	0.0811	0.0231	0.1979	0.0749	0.5796	0.0573	0.6902	0.0	0.0	0.1711	0.4896	0.0502	0.4463	0.0001	0.0307	0.026	0.2118
3.7264	0.5260	6000	2.4801	0.0088	0.0182	0.0074	0.0046	0.013	0.0077	0.0271	0.0559	0.0587	0.0199	0.0517	0.0756	0.0226	0.256	0.0777	0.5854	0.066	0.6799	0.0	0.0	0.1535	0.459	0.0612	0.4444	0.0001	0.0318	0.0248	0.2458
3.2463	0.5699	6500	2.4314	0.0102	0.0202	0.0093	0.0053	0.014	0.0087	0.0301	0.0584	0.061	0.02	0.0575	0.0802	0.0268	0.2933	0.0838	0.6035	0.0839	0.7102	0.0	0.0	0.1921	0.476	0.0588	0.4496	0.0001	0.0387	0.0258	0.2329
2.9215	0.6137	7000	2.4212	0.0103	0.0201	0.0094	0.0054	0.0144	0.0088	0.03	0.0598	0.0624	0.0211	0.058	0.0812	0.024	0.2928	0.0984	0.6293	0.0724	0.7242	0.0	0.0	0.1887	0.4963	0.063	0.4455	0.0001	0.0428	0.0268	0.2391
2.9853	0.6575	7500	2.4040	0.0109	0.0209	0.01	0.0056	0.0152	0.0091	0.03	0.0601	0.0629	0.0216	0.0599	0.0792	0.0232	0.3118	0.1049	0.6156	0.0731	0.7404	0.0	0.0	0.2057	0.4923	0.0663	0.4531	0.0001	0.0368	0.0264	0.2431
2.7586	0.7014	8000	2.4094	0.0106	0.0212	0.0097	0.0054	0.0157	0.0089	0.0304	0.0591	0.0619	0.0216	0.0588	0.0788	0.024	0.3101	0.1042	0.6143	0.0751	0.7167	0.0	0.0	0.1962	0.4804	0.0651	0.4502	0.0001	0.0385	0.024	0.2379
2.5399	0.7452	8500	2.3802	0.0106	0.0207	0.0097	0.0055	0.0153	0.0089	0.0311	0.061	0.0633	0.0212	0.0594	0.0808	0.0236	0.344	0.0952	0.6468	0.0779	0.7134	0.0	0.0	0.1989	0.4838	0.066	0.4451	0.0001	0.0422	0.0272	0.2379
3.2245	0.7891	9000	2.3654	0.0112	0.0216	0.0102	0.0056	0.0155	0.0095	0.0318	0.0613	0.064	0.0217	0.0611	0.0808	0.0241	0.3248	0.1051	0.6465	0.0847	0.7272	0.0	0.0	0.201	0.4872	0.071	0.458	0.0001	0.0433	0.029	0.2575
2.3969	0.8329	9500	2.3674	0.0114	0.0221	0.0104	0.0057	0.0163	0.0095	0.0316	0.0615	0.0641	0.0212	0.0604	0.0804	0.0236	0.3309	0.1071	0.6446	0.0835	0.7287	0.0069	0.0043	0.2008	0.4869	0.0716	0.4598	0.0001	0.0418	0.0295	0.2494
2.8285	0.8767	10000	2.3614	0.0116	0.0224	0.0105	0.0058	0.0165	0.0098	0.0323	0.0618	0.0643	0.0215	0.0607	0.0811	0.0234	0.3322	0.1092	0.6471	0.0869	0.7291	0.0069	0.0043	0.2046	0.4928	0.0724	0.4613	0.0001	0.042	0.0292	0.2495

Framework versions

Transformers 4.51.3
Pytorch 2.6.0+cu124
Datasets 3.5.0
Tokenizers 0.21.1

franciscomj0901/checkpoints

checkpoints

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

franciscomj0901/
checkpoints