You can deploy this model and start earning money today!

Larbutsri/
detr_finetuned_cppe5

Name: detr_finetuned_cppe5
Rating: 2.5 (12 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: 1.1482
Map: 0.3013
Map 50: 0.6037
Map 75: 0.2625
Map Small: 0.0935
Map Medium: 0.2354
Map Large: 0.4705
Mar 1: 0.293
Mar 10: 0.4358
Mar 100: 0.4539
Mar Small: 0.2086
Mar Medium: 0.3954
Mar Large: 0.6332
Map Coverall: 0.5417
Mar 100 Coverall: 0.6608
Map Face Shield: 0.3015
Mar 100 Face Shield: 0.4709
Map Gloves: 0.1881
Mar 100 Gloves: 0.3589
Map Goggles: 0.1751
Mar 100 Goggles: 0.3723
Map Mask: 0.2998
Mar 100 Mask: 0.4067

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: 0.0001
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
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	1.3103	0.2366	0.5251	0.1954	0.0483	0.1595	0.4051	0.2415	0.372	0.3916	0.0973	0.3279	0.5894	0.5019	0.6234	0.1952	0.3873	0.1421	0.3067	0.1166	0.3123	0.2272	0.328
No log	2.0	214	1.2553	0.2407	0.5311	0.1895	0.0818	0.1888	0.3807	0.2457	0.4052	0.4239	0.2015	0.3461	0.6037	0.4952	0.6351	0.2002	0.4405	0.1491	0.317	0.1145	0.3508	0.2445	0.376
No log	3.0	321	1.2643	0.2545	0.5418	0.2059	0.0836	0.1862	0.4223	0.2582	0.4086	0.4288	0.1915	0.354	0.6306	0.4996	0.6315	0.2537	0.4911	0.1503	0.3174	0.1181	0.34	0.2506	0.364
No log	4.0	428	1.2615	0.2529	0.5449	0.2072	0.0696	0.1878	0.4059	0.2609	0.3967	0.4207	0.1807	0.3445	0.6116	0.5063	0.6261	0.2257	0.438	0.1622	0.3304	0.1233	0.3385	0.247	0.3707
0.809	5.0	535	1.2607	0.2579	0.531	0.2227	0.073	0.2017	0.3961	0.2645	0.4083	0.4268	0.1903	0.372	0.5884	0.4998	0.6248	0.2598	0.4519	0.1353	0.304	0.1357	0.3677	0.2589	0.3858
0.809	6.0	642	1.2593	0.2519	0.5188	0.1991	0.0871	0.1865	0.3902	0.2603	0.3996	0.4208	0.2027	0.3592	0.5902	0.493	0.6302	0.2515	0.443	0.1459	0.3241	0.1331	0.3538	0.2359	0.3529
0.809	7.0	749	1.2608	0.2343	0.5174	0.1746	0.0704	0.1827	0.359	0.2465	0.3923	0.4159	0.1648	0.3577	0.5925	0.4923	0.6392	0.2226	0.419	0.143	0.3121	0.0839	0.3462	0.2296	0.3631
0.809	8.0	856	1.2420	0.2518	0.5359	0.2112	0.0678	0.1871	0.3933	0.2665	0.4027	0.4247	0.1816	0.3587	0.6093	0.5093	0.6333	0.2541	0.457	0.161	0.304	0.1149	0.3708	0.2194	0.3582
0.809	9.0	963	1.2877	0.2389	0.5124	0.1925	0.0765	0.1861	0.3552	0.2418	0.3911	0.4139	0.1845	0.3416	0.5759	0.4878	0.6405	0.2406	0.457	0.16	0.3219	0.0767	0.3154	0.2292	0.3347
0.8045	10.0	1070	1.2622	0.2465	0.5363	0.1849	0.0681	0.1901	0.3804	0.2551	0.3944	0.4152	0.1688	0.347	0.5884	0.4993	0.6248	0.235	0.419	0.1353	0.325	0.1121	0.3323	0.2506	0.3751
0.8045	11.0	1177	1.2450	0.2567	0.5325	0.212	0.0769	0.2089	0.3991	0.2561	0.4013	0.4236	0.1756	0.38	0.583	0.5152	0.6311	0.2205	0.4228	0.1471	0.3152	0.1476	0.3892	0.2528	0.3596
0.8045	12.0	1284	1.2581	0.2482	0.5347	0.1968	0.0744	0.1923	0.3948	0.2679	0.4031	0.4202	0.1677	0.365	0.5949	0.511	0.6423	0.2382	0.443	0.1513	0.3107	0.1024	0.3523	0.2383	0.3524
0.8045	13.0	1391	1.2723	0.2523	0.5343	0.1932	0.0752	0.1776	0.4016	0.2564	0.3901	0.413	0.1807	0.3553	0.5787	0.5103	0.6374	0.2291	0.4165	0.1744	0.3304	0.1068	0.3308	0.2407	0.3502
0.8045	14.0	1498	1.2605	0.2557	0.5429	0.2066	0.064	0.2004	0.4036	0.26	0.3913	0.4058	0.1734	0.349	0.5638	0.506	0.6284	0.2267	0.4101	0.1439	0.283	0.1458	0.3431	0.2562	0.3644
0.7483	15.0	1605	1.1914	0.2745	0.5581	0.2287	0.0771	0.2257	0.436	0.2752	0.418	0.4318	0.182	0.3714	0.5948	0.5256	0.6437	0.265	0.4506	0.1654	0.3304	0.1388	0.3508	0.2776	0.3836
0.7483	16.0	1712	1.2263	0.2707	0.5439	0.2323	0.0806	0.2134	0.4229	0.271	0.4093	0.4281	0.2211	0.353	0.5989	0.5228	0.6329	0.2682	0.438	0.1485	0.3138	0.1464	0.3769	0.2675	0.3787
0.7483	17.0	1819	1.1937	0.2768	0.5753	0.2219	0.0905	0.2061	0.4351	0.2744	0.4158	0.4374	0.1936	0.3639	0.6148	0.5191	0.6464	0.2555	0.4582	0.175	0.3348	0.1594	0.3646	0.2752	0.3831
0.7483	18.0	1926	1.1891	0.2819	0.5779	0.2195	0.0856	0.2146	0.4421	0.2804	0.4272	0.4425	0.1994	0.3761	0.6186	0.528	0.6491	0.2863	0.4797	0.1772	0.3366	0.1458	0.3646	0.2721	0.3822
0.6667	19.0	2033	1.1921	0.2873	0.5852	0.2319	0.0904	0.2222	0.4537	0.2785	0.4251	0.4483	0.1838	0.4064	0.6159	0.539	0.6568	0.2849	0.4747	0.1765	0.3411	0.1539	0.3754	0.2821	0.3938
0.6667	20.0	2140	1.1818	0.293	0.5831	0.2489	0.091	0.2229	0.4721	0.2877	0.4307	0.448	0.2008	0.3913	0.6292	0.5318	0.6536	0.3021	0.4886	0.1806	0.3496	0.1786	0.3662	0.2721	0.3822
0.6667	21.0	2247	1.1679	0.2914	0.5889	0.2375	0.0971	0.2219	0.4566	0.2834	0.4302	0.4503	0.1951	0.3953	0.6284	0.5388	0.6577	0.2947	0.4608	0.1848	0.3567	0.1545	0.3815	0.2844	0.3947
0.6667	22.0	2354	1.1684	0.2901	0.5869	0.2451	0.0909	0.2182	0.4556	0.284	0.4314	0.4457	0.2025	0.375	0.6275	0.5342	0.6568	0.2854	0.4608	0.1817	0.3473	0.1645	0.3677	0.2848	0.396
0.6667	23.0	2461	1.1606	0.2927	0.5861	0.2426	0.0869	0.2221	0.4582	0.2868	0.4278	0.4471	0.2063	0.3833	0.6147	0.546	0.6568	0.292	0.4709	0.1828	0.3522	0.1601	0.3646	0.2825	0.3911
0.5873	24.0	2568	1.1582	0.2924	0.5898	0.2543	0.0918	0.2298	0.4546	0.2898	0.4311	0.4497	0.2008	0.3965	0.6166	0.5473	0.6653	0.2906	0.4747	0.1811	0.346	0.149	0.3662	0.2939	0.3964
0.5873	25.0	2675	1.1534	0.2987	0.6015	0.2658	0.0897	0.2329	0.4705	0.2899	0.4312	0.4515	0.2032	0.3874	0.6358	0.5507	0.6653	0.2975	0.4797	0.186	0.3536	0.1632	0.3569	0.2963	0.4018
0.5873	26.0	2782	1.1536	0.2976	0.5984	0.2627	0.093	0.2331	0.4708	0.2882	0.4335	0.4536	0.2074	0.3973	0.6307	0.5414	0.6604	0.2947	0.4785	0.1831	0.3562	0.1733	0.3708	0.2955	0.4022
0.5873	27.0	2889	1.1492	0.2992	0.6031	0.2633	0.0931	0.2331	0.4692	0.2913	0.4358	0.4528	0.2119	0.3922	0.6313	0.5442	0.6617	0.2975	0.4785	0.185	0.3558	0.174	0.3662	0.2951	0.4018
0.5873	28.0	2996	1.1491	0.3007	0.6027	0.2606	0.0927	0.2337	0.4742	0.2928	0.4342	0.4528	0.2026	0.3965	0.6313	0.5406	0.6581	0.2982	0.4709	0.1881	0.358	0.1799	0.3738	0.2965	0.4031
0.5379	29.0	3103	1.1484	0.301	0.6039	0.2632	0.0932	0.2356	0.4706	0.2935	0.4356	0.4532	0.2035	0.395	0.6327	0.541	0.6599	0.3019	0.4696	0.1885	0.3589	0.1739	0.3723	0.2995	0.4053
0.5379	30.0	3210	1.1482	0.3013	0.6037	0.2625	0.0935	0.2354	0.4705	0.293	0.4358	0.4539	0.2086	0.3954	0.6332	0.5417	0.6608	0.3015	0.4709	0.1881	0.3589	0.1751	0.3723	0.2998	0.4067

Framework versions

Transformers 4.55.4
Pytorch 2.8.0+cu126
Datasets 4.0.0
Tokenizers 0.21.4

Larbutsri/detr_finetuned_cppe5

detr_finetuned_cppe5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Larbutsri/
detr_finetuned_cppe5