You can deploy this model and start earning money today!

KIRANKALLA/
detr_finetuned_cppe5

Name: detr_finetuned_cppe5
Availability: InStock

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: 1.2111
Map: 0.321
Map 50: 0.5918
Map 75: 0.3184
Map Small: 0.0907
Map Medium: 0.2843
Map Large: 0.5134
Mar 1: 0.3198
Mar 10: 0.4825
Mar 100: 0.5039
Mar Small: 0.2107
Mar Medium: 0.4607
Mar Large: 0.7011
Map Coverall: 0.6194
Mar 100 Coverall: 0.7227
Map Face Shield: 0.3136
Mar 100 Face Shield: 0.5069
Map Gloves: 0.2044
Mar 100 Gloves: 0.3771
Map Goggles: 0.1251
Mar 100 Goggles: 0.4545
Map Mask: 0.3424
Mar 100 Mask: 0.4585

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	2.3407	0.0426	0.0978	0.0326	0.0074	0.0354	0.0395	0.0973	0.2336	0.2754	0.0681	0.227	0.2954	0.1332	0.4977	0.0115	0.2514	0.0099	0.2297	0.0067	0.0523	0.0518	0.3462
No log	2.0	214	2.0573	0.0833	0.1634	0.0709	0.0181	0.0454	0.0882	0.1315	0.268	0.3119	0.1127	0.2675	0.3681	0.3125	0.639	0.0058	0.1472	0.0167	0.2656	0.0176	0.15	0.0637	0.3579
No log	3.0	321	1.8604	0.1146	0.2275	0.0986	0.0195	0.0708	0.1337	0.1584	0.3363	0.3769	0.1369	0.2901	0.4995	0.3902	0.6802	0.0154	0.2514	0.0284	0.2891	0.0073	0.2545	0.1319	0.4092
No log	4.0	428	1.7289	0.1378	0.2881	0.1121	0.0253	0.0842	0.1814	0.1651	0.3436	0.3859	0.1215	0.3017	0.5579	0.4459	0.6605	0.0237	0.3333	0.0459	0.2958	0.0152	0.2545	0.1581	0.3851
3.3191	5.0	535	1.6097	0.1723	0.3541	0.1494	0.0463	0.1274	0.2006	0.1869	0.3909	0.4249	0.1537	0.37	0.5833	0.5099	0.7023	0.0445	0.3319	0.064	0.3187	0.053	0.325	0.19	0.4467
3.3191	6.0	642	1.6111	0.1731	0.3782	0.1364	0.048	0.1325	0.2384	0.209	0.3909	0.4184	0.1485	0.3428	0.6139	0.4833	0.6465	0.0555	0.375	0.0952	0.3359	0.0366	0.2977	0.1948	0.4369
3.3191	7.0	749	1.4938	0.2079	0.4225	0.1832	0.0505	0.1639	0.2836	0.2305	0.4168	0.4429	0.1665	0.3838	0.6407	0.5325	0.711	0.0848	0.4	0.1284	0.3443	0.0486	0.3045	0.2453	0.4549
3.3191	8.0	856	1.4541	0.2245	0.4604	0.1805	0.06	0.1831	0.3044	0.2417	0.4187	0.438	0.1518	0.3741	0.6534	0.5497	0.711	0.0936	0.3889	0.1453	0.349	0.0642	0.3068	0.2697	0.4344
3.3191	9.0	963	1.4065	0.2315	0.4382	0.2109	0.0486	0.2036	0.3422	0.2501	0.435	0.4574	0.1815	0.4242	0.6164	0.5825	0.7163	0.1096	0.3889	0.1283	0.3562	0.0722	0.3795	0.2648	0.4462
1.4973	10.0	1070	1.3990	0.2593	0.5115	0.2569	0.0656	0.2132	0.3844	0.2975	0.4597	0.486	0.1816	0.4145	0.7054	0.5545	0.6971	0.1929	0.4514	0.1595	0.3797	0.0941	0.4364	0.2955	0.4656
1.4973	11.0	1177	1.3687	0.2472	0.4996	0.2141	0.0636	0.2021	0.395	0.2777	0.4438	0.4769	0.1755	0.4489	0.6849	0.5717	0.718	0.1489	0.4458	0.1599	0.3698	0.0891	0.4159	0.2662	0.4349
1.4973	12.0	1284	1.3334	0.2544	0.5158	0.2178	0.0721	0.212	0.4027	0.2841	0.4611	0.48	0.1934	0.4503	0.6624	0.5714	0.6977	0.1812	0.4556	0.1648	0.3745	0.0668	0.4227	0.2879	0.4497
1.4973	13.0	1391	1.3249	0.2501	0.4985	0.2084	0.0496	0.2238	0.4004	0.2832	0.4529	0.485	0.1911	0.4504	0.6732	0.5983	0.7203	0.1515	0.4667	0.156	0.3651	0.0548	0.4114	0.2899	0.4615
1.4973	14.0	1498	1.2735	0.2822	0.5366	0.2586	0.0787	0.2395	0.4652	0.313	0.4716	0.4955	0.1955	0.4434	0.7144	0.6008	0.7076	0.2116	0.4708	0.1843	0.3745	0.09	0.4614	0.3242	0.4631
1.2609	15.0	1605	1.2748	0.286	0.5519	0.2749	0.0813	0.2349	0.469	0.3004	0.4682	0.4893	0.181	0.4281	0.7042	0.5954	0.707	0.1981	0.5167	0.1918	0.374	0.1184	0.4159	0.3265	0.4328
1.2609	16.0	1712	1.2785	0.2918	0.565	0.2654	0.0996	0.2501	0.453	0.3002	0.4744	0.4916	0.2085	0.4362	0.6911	0.5878	0.6948	0.2662	0.5097	0.1865	0.3583	0.1005	0.4477	0.3181	0.4477
1.2609	17.0	1819	1.2680	0.2985	0.5593	0.2776	0.0911	0.2461	0.4957	0.31	0.4819	0.5055	0.2127	0.4349	0.7159	0.5999	0.7081	0.2304	0.4917	0.1759	0.3677	0.1424	0.4864	0.3437	0.4738
1.2609	18.0	1926	1.2360	0.3045	0.5657	0.2744	0.0839	0.2549	0.5003	0.3054	0.4863	0.5062	0.2052	0.454	0.7213	0.6091	0.7209	0.2405	0.5111	0.1883	0.3693	0.1392	0.475	0.3452	0.4549
1.1171	19.0	2033	1.2404	0.3022	0.5737	0.2743	0.0765	0.259	0.4799	0.3044	0.4796	0.5043	0.209	0.4614	0.6987	0.603	0.714	0.2509	0.4986	0.1882	0.3729	0.1231	0.4636	0.3459	0.4723
1.1171	20.0	2140	1.2419	0.2969	0.5527	0.2677	0.081	0.256	0.4772	0.3108	0.4842	0.5123	0.2301	0.459	0.7114	0.6033	0.7262	0.2605	0.4861	0.176	0.3797	0.1112	0.5159	0.3336	0.4538
1.1171	21.0	2247	1.2257	0.3178	0.5774	0.3081	0.0885	0.2836	0.4843	0.3157	0.4932	0.5152	0.2269	0.4768	0.7	0.6221	0.7326	0.3063	0.5125	0.1964	0.3849	0.1316	0.4909	0.3329	0.4554
1.1171	22.0	2354	1.2236	0.3217	0.588	0.3084	0.0973	0.2854	0.4703	0.3136	0.4828	0.5101	0.2142	0.4775	0.7127	0.6213	0.7285	0.3186	0.5319	0.2022	0.3854	0.1269	0.45	0.3396	0.4549
1.1171	23.0	2461	1.2148	0.3234	0.587	0.3118	0.0949	0.2848	0.5036	0.3235	0.4904	0.5139	0.2189	0.4787	0.7177	0.6277	0.7279	0.3078	0.5208	0.2024	0.3865	0.14	0.4795	0.3392	0.4549
1.0261	24.0	2568	1.2210	0.3128	0.5754	0.2984	0.0833	0.2851	0.4986	0.3248	0.484	0.5096	0.2128	0.4715	0.7037	0.6269	0.7297	0.2899	0.4986	0.1942	0.3807	0.1136	0.4818	0.3394	0.4574
1.0261	25.0	2675	1.2124	0.3237	0.5872	0.3141	0.0916	0.2888	0.5151	0.3203	0.4906	0.5153	0.2202	0.4732	0.7165	0.6276	0.7285	0.3158	0.5222	0.2006	0.3854	0.1314	0.4795	0.3431	0.461
1.0261	26.0	2782	1.2167	0.3207	0.5852	0.313	0.0903	0.2815	0.5109	0.3216	0.4863	0.5081	0.213	0.4583	0.7085	0.6185	0.7221	0.3061	0.5	0.2048	0.3828	0.1317	0.4773	0.3423	0.4585
1.0261	27.0	2889	1.2110	0.3192	0.5864	0.3102	0.0881	0.2833	0.5117	0.3208	0.485	0.5074	0.2112	0.464	0.7048	0.62	0.7215	0.3094	0.5028	0.2006	0.3807	0.1225	0.4705	0.3437	0.4615
1.0261	28.0	2996	1.2109	0.3207	0.5939	0.3087	0.089	0.2832	0.5126	0.3202	0.4819	0.5033	0.2093	0.4588	0.6984	0.6203	0.7233	0.3128	0.5042	0.2048	0.376	0.1256	0.4568	0.34	0.4564
0.97	29.0	3103	1.2112	0.321	0.5919	0.3185	0.0909	0.2843	0.5132	0.3205	0.4825	0.5039	0.211	0.4603	0.701	0.6191	0.7221	0.3136	0.5069	0.2034	0.3755	0.1267	0.4568	0.342	0.4579
0.97	30.0	3210	1.2111	0.321	0.5918	0.3184	0.0907	0.2843	0.5134	0.3198	0.4825	0.5039	0.2107	0.4607	0.7011	0.6194	0.7227	0.3136	0.5069	0.2044	0.3771	0.1251	0.4545	0.3424	0.4585

Framework versions

Transformers 4.41.2
Pytorch 2.3.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

KIRANKALLA/detr_finetuned_cppe5

detr_finetuned_cppe5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

KIRANKALLA/
detr_finetuned_cppe5