This model is a fine-tuned version of pyannote/segmentation-3.0 on the objects76/rsup-eval-ja-522-250513 dataset. It achieves the following results on the evaluation set:

Loss: 0.6497
Der: 0.2083
False Alarm: 0.0697
Missed Detection: 0.1057
Confusion: 0.0329

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: 0.0005
train_batch_size: 2048
eval_batch_size: 2048
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: 200

Training results

Training Loss	Epoch	Step	Confusion	Der	False Alarm	Validation Loss	Missed Detection
No log	1.0	1	0.2639	0.4565	0.0501	1.3898	0.1425
No log	2.0	2	0.2639	0.4565	0.0501	1.3328	0.1425
No log	3.0	3	0.2631	0.4558	0.0501	1.2855	0.1425
No log	4.0	4	0.2623	0.4542	0.0501	1.2522	0.1417
No log	5.0	5	0.2545	0.4503	0.0611	1.2408	0.1347
No log	6.0	6	0.2381	0.4659	0.0979	1.2338	0.1300
No log	7.0	7	0.2349	0.4683	0.1104	1.2109	0.1229
No log	8.0	8	0.2302	0.4730	0.1237	1.1966	0.1190
No log	9.0	9	0.2271	0.4730	0.1276	1.1781	0.1182
No log	10.0	10	0.2263	0.4667	0.1222	1.1680	0.1182
No log	11.0	11	0.2232	0.4565	0.1128	1.1531	0.1206
No log	12.0	12	0.2302	0.4558	0.1018	1.1398	0.1237
No log	13.0	13	0.2310	0.4471	0.0861	1.1217	0.1300
No log	14.0	14	0.2271	0.4346	0.0760	1.1089	0.1316
No log	15.0	15	0.2216	0.4221	0.0673	1.0974	0.1331
No log	16.0	16	0.2130	0.4056	0.0587	1.0849	0.1339
No log	17.0	17	0.2013	0.3923	0.0556	1.0773	0.1355
No log	18.0	18	0.1950	0.3861	0.0540	1.0707	0.1370
No log	19.0	19	0.1848	0.3759	0.0540	1.0606	0.1370
No log	20.0	20	0.1723	0.3618	0.0525	1.0530	0.1370
No log	21.0	21	0.1652	0.3547	0.0525	1.0447	0.1370
No log	22.0	22	0.1519	0.3414	0.0525	1.0299	0.1370
No log	23.0	23	0.1331	0.3211	0.0509	1.0169	0.1370
No log	24.0	24	0.1206	0.3085	0.0509	1.0047	0.1370
1.1234	25.0	25	0.1104	0.2984	0.0509	0.9888	0.1370
1.1234	26.0	26	0.1042	0.2921	0.0509	0.9766	0.1370
1.1234	27.0	27	0.1002	0.2897	0.0525	0.9609	0.1370
1.1234	28.0	28	0.0948	0.2827	0.0532	0.9471	0.1347
1.1234	29.0	29	0.0893	0.2772	0.0540	0.9354	0.1339
1.1234	30.0	30	0.0869	0.2756	0.0548	0.9221	0.1339
1.1234	31.0	31	0.0830	0.2694	0.0532	0.9054	0.1331
1.1234	32.0	32	0.0807	0.2655	0.0509	0.8924	0.1339
1.1234	33.0	33	0.0760	0.2600	0.0509	0.8797	0.1331
1.1234	34.0	34	0.0728	0.2553	0.0493	0.8676	0.1331
1.1234	35.0	35	0.0705	0.2506	0.0478	0.8559	0.1323
1.1234	36.0	36	0.0689	0.2475	0.0462	0.8389	0.1323
1.1234	37.0	37	0.0697	0.2467	0.0454	0.8266	0.1316
1.1234	38.0	38	0.0673	0.2435	0.0446	0.8095	0.1316
1.1234	39.0	39	0.0619	0.2373	0.0446	0.7967	0.1308
1.1234	40.0	40	0.0595	0.2334	0.0439	0.7836	0.1300
1.1234	41.0	41	0.0564	0.2302	0.0454	0.7704	0.1284
1.1234	42.0	42	0.0525	0.2287	0.0478	0.7571	0.1284
1.1234	43.0	43	0.0532	0.2279	0.0486	0.7444	0.1261
1.1234	44.0	44	0.0493	0.2224	0.0509	0.7324	0.1222
1.1234	45.0	45	0.0493	0.2224	0.0517	0.7211	0.1214
1.1234	46.0	46	0.0486	0.2208	0.0517	0.7109	0.1206
1.1234	47.0	47	0.0462	0.2169	0.0509	0.7017	0.1198
1.1234	48.0	48	0.0454	0.2161	0.0509	0.6934	0.1198
1.1234	49.0	49	0.0423	0.2130	0.0509	0.6863	0.1198
0.785	50.0	50	0.0415	0.2130	0.0525	0.6800	0.1190
0.785	51.0	51	0.0423	0.2114	0.0501	0.6746	0.1190
0.785	52.0	52	0.0415	0.2114	0.0525	0.6701	0.1175
0.785	53.0	53	0.0423	0.2122	0.0517	0.6657	0.1182
0.785	54.0	54	0.0431	0.2122	0.0532	0.6610	0.1159
0.785	55.0	55	0.0423	0.2130	0.0540	0.6569	0.1167
0.785	56.0	56	0.0423	0.2122	0.0564	0.6523	0.1135
0.785	57.0	57	0.0407	0.2122	0.0587	0.6483	0.1128
0.785	58.0	58	0.0399	0.2122	0.0619	0.6454	0.1104
0.785	59.0	59	0.0415	0.2153	0.0634	0.6433	0.1104
0.785	60.0	60	0.0399	0.2161	0.0666	0.6413	0.1096
0.785	61.0	61	0.0399	0.2153	0.0666	0.6402	0.1088
0.785	62.0	62	0.0376	0.2161	0.0673	0.6387	0.1112
0.785	63.0	63	0.0368	0.2130	0.0689	0.6365	0.1073
0.785	64.0	64	0.0376	0.2138	0.0705	0.6341	0.1057
0.785	65.0	65	0.0352	0.2091	0.0681	0.6336	0.1057
0.785	66.0	66	0.6349	0.2099	0.0689	0.1073	0.0337
0.785	67.0	67	0.6376	0.2075	0.0658	0.1096	0.0321
0.785	68.0	68	0.6409	0.2060	0.0650	0.1088	0.0321
0.785	69.0	69	0.6450	0.2067	0.0650	0.1088	0.0329
0.785	70.0	70	0.6466	0.2067	0.0673	0.1073	0.0321
0.785	71.0	71	0.6463	0.2052	0.0673	0.1057	0.0321
0.785	72.0	72	0.6449	0.2052	0.0673	0.1049	0.0329
0.785	73.0	73	0.6453	0.2067	0.0697	0.1042	0.0329
0.785	74.0	74	0.6465	0.2075	0.0705	0.1042	0.0329
0.471	75.0	75	0.6497	0.2083	0.0697	0.1057	0.0329

Framework versions

Transformers 4.51.3
Pytorch 2.6.0+cu124
Datasets 3.5.0
Tokenizers 0.21.1

objects76/ft-rsup_eval-2.25sec-250513_1059

ft-eval-ja-522-pivot

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

objects76/
ft-rsup_eval-2.25sec-250513_1059