You can deploy this model and start earning money today!

sam1120/
parking-terrain_marks

Views

No views yet

parking-terrain_marks

This model is a fine-tuned version of nvidia/mit-b5 on the sam1120/parking-terrain_marks dataset. It achieves the following results on the evaluation set:

Loss: 0.0863
Mean Iou: 0.4942
Mean Accuracy: 0.5
Overall Accuracy: 0.9884
Accuracy Unlabeled: nan
Accuracy Parking Lines: 0.0
Accuracy X: nan
Accuracy Else: 1.0
Iou Unlabeled: nan
Iou Parking Lines: 0.0
Iou X: nan
Iou Else: 0.9884

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.05
num_epochs: 600

Training results

Training Loss	Epoch	Step	Validation Loss	Mean Iou	Mean Accuracy	Overall Accuracy	Accuracy Unlabeled	Accuracy Parking Lines	Accuracy X	Accuracy Else	Iou Unlabeled	Iou Parking Lines	Iou X	Iou Else
1.2973	5.0	20	1.2461	0.1512	0.5627	0.5883	nan	0.5364	nan	0.5889	0.0	0.0186	0.0	0.5860
0.9991	10.0	40	0.8866	0.2256	0.4644	0.8974	nan	0.0211	nan	0.9077	0.0	0.0037	0.0	0.8985
0.5964	15.0	60	0.4795	0.3290	0.4992	0.9869	nan	0.0	nan	0.9985	nan	0.0	0.0	0.9869
0.3788	20.0	80	0.2324	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.1288	25.0	100	0.1424	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.066	30.0	120	0.0909	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0716	35.0	140	0.0799	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0448	40.0	160	0.0792	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0281	45.0	180	0.0698	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0279	50.0	200	0.0695	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0306	55.0	220	0.0679	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0245	60.0	240	0.0683	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0196	65.0	260	0.0676	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0267	70.0	280	0.0661	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0192	75.0	300	0.0672	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0207	80.0	320	0.0697	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0168	85.0	340	0.0692	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0114	90.0	360	0.0676	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.014	95.0	380	0.0669	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0147	100.0	400	0.0687	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0101	105.0	420	0.0681	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0118	110.0	440	0.0664	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0111	115.0	460	0.0690	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0088	120.0	480	0.0704	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0116	125.0	500	0.0694	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.011	130.0	520	0.0677	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0128	135.0	540	0.0703	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0101	140.0	560	0.0706	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0096	145.0	580	0.0674	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0125	150.0	600	0.0725	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0073	155.0	620	0.0709	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0104	160.0	640	0.0716	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0085	165.0	660	0.0727	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.008	170.0	680	0.0749	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0088	175.0	700	0.0774	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0076	180.0	720	0.0761	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0069	185.0	740	0.0748	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0059	190.0	760	0.0745	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0092	195.0	780	0.0758	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0081	200.0	800	0.0784	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0078	205.0	820	0.0749	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0054	210.0	840	0.0758	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0094	215.0	860	0.0772	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0072	220.0	880	0.0765	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.008	225.0	900	0.0775	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0064	230.0	920	0.0797	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0063	235.0	940	0.0734	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0096	240.0	960	0.0778	0.4949	0.5007	0.9884	nan	0.0013	nan	1.0	nan	0.0013	nan	0.9884
0.0066	245.0	980	0.0740	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0061	250.0	1000	0.0652	0.4944	0.5002	0.9884	nan	0.0003	nan	1.0	nan	0.0003	nan	0.9884
0.0066	255.0	1020	0.0721	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0076	260.0	1040	0.0690	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0065	265.0	1060	0.0702	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0065	270.0	1080	0.0718	0.4944	0.5002	0.9884	nan	0.0003	nan	1.0	nan	0.0003	nan	0.9884
0.0061	275.0	1100	0.0732	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0064	280.0	1120	0.0737	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0056	285.0	1140	0.0714	0.4945	0.5003	0.9884	nan	0.0007	nan	1.0	nan	0.0007	nan	0.9884
0.0053	290.0	1160	0.0754	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0055	295.0	1180	0.0751	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0068	300.0	1200	0.0754	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0053	305.0	1220	0.0723	0.4952	0.5010	0.9884	nan	0.0020	nan	1.0	nan	0.0020	nan	0.9884
0.0053	310.0	1240	0.0767	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0045	315.0	1260	0.0767	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.007	320.0	1280	0.0750	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.005	325.0	1300	0.0777	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0053	330.0	1320	0.0762	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0049	335.0	1340	0.0782	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.006	340.0	1360	0.0770	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0066	345.0	1380	0.0787	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0049	350.0	1400	0.0765	0.4944	0.5002	0.9884	nan	0.0003	nan	1.0	nan	0.0003	nan	0.9884
0.0067	355.0	1420	0.0672	0.5030	0.5087	0.9886	nan	0.0175	nan	1.0	nan	0.0175	nan	0.9886
0.0036	360.0	1440	0.0778	0.4949	0.5007	0.9884	nan	0.0013	nan	1.0	nan	0.0013	nan	0.9884
0.0045	365.0	1460	0.0762	0.4950	0.5008	0.9884	nan	0.0016	nan	1.0	nan	0.0016	nan	0.9884
0.006	370.0	1480	0.0763	0.4952	0.5010	0.9884	nan	0.0020	nan	1.0	nan	0.0020	nan	0.9884
0.006	375.0	1500	0.0757	0.4967	0.5025	0.9885	nan	0.0049	nan	1.0	nan	0.0049	nan	0.9885
0.0043	380.0	1520	0.0800	0.4950	0.5008	0.9884	nan	0.0016	nan	1.0	nan	0.0016	nan	0.9884
0.0057	385.0	1540	0.0790	0.4950	0.5008	0.9884	nan	0.0016	nan	1.0	nan	0.0016	nan	0.9884
0.0061	390.0	1560	0.0814	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0041	395.0	1580	0.0811	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0038	400.0	1600	0.0792	0.4945	0.5003	0.9884	nan	0.0007	nan	1.0	nan	0.0007	nan	0.9884
0.0047	405.0	1620	0.0816	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0051	410.0	1640	0.0821	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0035	415.0	1660	0.0804	0.4944	0.5002	0.9884	nan	0.0003	nan	1.0	nan	0.0003	nan	0.9884
0.0053	420.0	1680	0.0826	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0052	425.0	1700	0.0806	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0037	430.0	1720	0.0824	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0045	435.0	1740	0.0839	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0049	440.0	1760	0.0836	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0036	445.0	1780	0.0826	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0036	450.0	1800	0.0845	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.004	455.0	1820	0.0840	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0048	460.0	1840	0.0839	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0044	465.0	1860	0.0853	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.004	470.0	1880	0.0854	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0051	475.0	1900	0.0852	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0049	480.0	1920	0.0851	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0048	485.0	1940	0.0854	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0045	490.0	1960	0.0849	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0043	495.0	1980	0.0858	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0038	500.0	2000	0.0853	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0044	505.0	2020	0.0857	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0036	510.0	2040	0.0849	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0038	515.0	2060	0.0845	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0047	520.0	2080	0.0851	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0045	525.0	2100	0.0851	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0056	530.0	2120	0.0851	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0041	535.0	2140	0.0859	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.004	540.0	2160	0.0867	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0054	545.0	2180	0.0862	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0047	550.0	2200	0.0873	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0048	555.0	2220	0.0869	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0045	560.0	2240	0.0865	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0049	565.0	2260	0.0861	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.005	570.0	2280	0.0856	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0043	575.0	2300	0.0855	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0031	580.0	2320	0.0866	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0033	585.0	2340	0.0872	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0046	590.0	2360	0.0865	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0051	595.0	2380	0.0862	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884
0.0047	600.0	2400	0.0863	0.4942	0.5	0.9884	nan	0.0	nan	1.0	nan	0.0	nan	0.9884

Framework versions

Transformers 4.30.2
Pytorch 2.0.1+cu117
Datasets 2.13.1
Tokenizers 0.13.3