This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the txoriak_txori dataset. It achieves the following results on the evaluation set:

Loss: 0.0559
Accuracy: 0.9864

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: 0.0002
train_batch_size: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
5.8505	0.02	100	5.8381	0.2584
5.259	0.04	200	5.2556	0.4992
4.6643	0.06	300	4.5950	0.6532
4.0801	0.08	400	3.9534	0.6976
3.3312	0.1	500	3.2908	0.7608
2.773	0.12	600	2.6892	0.7704
2.3108	0.14	700	2.0982	0.7976
1.662	0.16	800	1.6214	0.8216
1.3897	0.18	900	1.2662	0.8604
1.1634	0.2	1000	0.9868	0.8892
1.0498	0.22	1100	0.7855	0.8992
0.5978	0.24	1200	0.6305	0.912
0.6399	0.26	1300	0.5560	0.9164
0.607	0.28	1400	0.5119	0.9192
0.6595	0.3	1500	0.4307	0.9272
0.5239	0.32	1600	0.4124	0.9176
0.5166	0.34	1700	0.3280	0.9312
0.5352	0.36	1800	0.3155	0.9308
0.4036	0.38	1900	0.2893	0.9424
0.3836	0.4	2000	0.3161	0.9272
0.3418	0.42	2100	0.3005	0.9384
0.4172	0.44	2200	0.2518	0.9456
0.4293	0.46	2300	0.2367	0.9424
0.3551	0.48	2400	0.2422	0.9432
0.2718	0.5	2500	0.2207	0.9492
0.3802	0.52	2600	0.2163	0.9428
0.2916	0.54	2700	0.2156	0.946
0.3384	0.56	2800	0.2037	0.9508
0.352	0.58	2900	0.2241	0.9432
0.3868	0.6	3000	0.2525	0.9428
0.3195	0.62	3100	0.2032	0.9496
0.2618	0.64	3200	0.2088	0.944
0.326	0.66	3300	0.1744	0.9536
0.2691	0.68	3400	0.1853	0.9516
0.2629	0.7	3500	0.1788	0.9464
0.2965	0.72	3600	0.1719	0.9572
0.3565	0.74	3700	0.2041	0.9452
0.2344	0.76	3800	0.1863	0.9504
0.4416	0.78	3900	0.1938	0.9472
0.2901	0.8	4000	0.1674	0.9572
0.3158	0.82	4100	0.2006	0.9496
0.3708	0.84	4200	0.1850	0.952
0.2636	0.86	4300	0.1488	0.9624
0.1764	0.88	4400	0.1818	0.9524
0.4299	0.9	4500	0.1642	0.9576
0.4862	0.92	4600	0.1867	0.9516
0.288	0.94	4700	0.1362	0.9604
0.2715	0.96	4800	0.1384	0.9668
0.3139	0.98	4900	0.1607	0.956
0.2301	1.0	5000	0.1428	0.9628
0.1527	1.02	5100	0.1313	0.9672
0.1856	1.04	5200	0.1356	0.9628
0.1143	1.06	5300	0.1469	0.962
0.1465	1.08	5400	0.1320	0.9648
0.1342	1.1	5500	0.1291	0.9644
0.1686	1.12	5600	0.1589	0.952
0.0683	1.14	5700	0.1598	0.9592
0.095	1.16	5800	0.1330	0.9628
0.1458	1.18	5900	0.1307	0.9652
0.2321	1.2	6000	0.1498	0.9608
0.0593	1.22	6100	0.1393	0.9636
0.1721	1.24	6200	0.1564	0.9604
0.2735	1.26	6300	0.1509	0.9572
0.1384	1.28	6400	0.1526	0.958
0.1232	1.3	6500	0.1560	0.9596
0.1615	1.32	6600	0.1348	0.9652
0.2521	1.34	6700	0.1223	0.9684
0.0616	1.36	6800	0.1556	0.9616
0.23	1.38	6900	0.1338	0.9652
0.237	1.4	7000	0.1140	0.9664
0.2572	1.42	7100	0.1191	0.9672
0.1841	1.44	7200	0.1121	0.9708
0.1212	1.46	7300	0.1089	0.9708
0.1436	1.48	7400	0.1246	0.9672
0.1403	1.5	7500	0.1234	0.9676
0.1794	1.52	7600	0.1273	0.966
0.2153	1.54	7700	0.1423	0.964
0.1347	1.56	7800	0.0985	0.9708
0.1989	1.58	7900	0.1117	0.9712
0.2686	1.6	8000	0.1166	0.9704
0.134	1.62	8100	0.1391	0.962
0.2474	1.64	8200	0.1280	0.9676
0.0635	1.66	8300	0.1079	0.9696
0.1073	1.68	8400	0.1335	0.9628
0.1483	1.7	8500	0.1108	0.9692
0.0933	1.72	8600	0.1059	0.9708
0.1204	1.74	8700	0.1007	0.9752
0.1051	1.76	8800	0.1055	0.9712
0.1509	1.78	8900	0.0995	0.9704
0.1404	1.8	9000	0.1012	0.9744
0.0502	1.82	9100	0.0913	0.9768
0.3038	1.84	9200	0.0988	0.9732
0.1651	1.86	9300	0.1146	0.9656
0.1047	1.88	9400	0.1140	0.9664
0.1639	1.9	9500	0.1059	0.97
0.1044	1.92	9600	0.1012	0.9744
0.1955	1.94	9700	0.1119	0.9676
0.1903	1.96	9800	0.1127	0.9716
0.1328	1.98	9900	0.1199	0.9628
0.1219	2.0	10000	0.1011	0.972
0.0514	2.02	10100	0.1040	0.9728
0.0194	2.04	10200	0.0994	0.9752
0.0469	2.06	10300	0.1027	0.9716
0.0417	2.08	10400	0.1045	0.9748
0.0566	2.1	10500	0.0861	0.9792
0.0427	2.12	10600	0.1094	0.974
0.1358	2.14	10700	0.0795	0.9776
0.0119	2.16	10800	0.0972	0.9748
0.0379	2.18	10900	0.1087	0.97
0.0951	2.2	11000	0.1079	0.9728
0.0256	2.22	11100	0.0951	0.9748
0.076	2.24	11200	0.0945	0.9764
0.1004	2.26	11300	0.0870	0.9788
0.0657	2.28	11400	0.1073	0.974
0.0332	2.3	11500	0.0960	0.9752
0.0087	2.32	11600	0.0865	0.978
0.0351	2.34	11700	0.0963	0.9736
0.0127	2.36	11800	0.0989	0.976
0.0447	2.38	11900	0.1038	0.9752
0.023	2.4	12000	0.0919	0.9744
0.0329	2.42	12100	0.0857	0.9796
0.042	2.44	12200	0.0812	0.9804
0.0549	2.46	12300	0.1114	0.9732
0.0806	2.48	12400	0.0971	0.9772
0.1768	2.5	12500	0.0933	0.974
0.059	2.52	12600	0.0943	0.9788
0.0184	2.54	12700	0.0874	0.978
0.021	2.56	12800	0.0903	0.9764
0.0457	2.58	12900	0.0999	0.976
0.0788	2.6	13000	0.0954	0.9732
0.0599	2.62	13100	0.0876	0.9752
0.1041	2.64	13200	0.1017	0.9744
0.0309	2.66	13300	0.0918	0.9772
0.1347	2.68	13400	0.0758	0.9792
0.0432	2.7	13500	0.0790	0.9808
0.0802	2.72	13600	0.0860	0.9776
0.0841	2.74	13700	0.0857	0.98
0.0513	2.76	13800	0.0895	0.9764
0.0129	2.78	13900	0.0861	0.9772
0.1279	2.8	14000	0.0895	0.9764
0.0074	2.82	14100	0.0842	0.978
0.0132	2.84	14200	0.0742	0.9796
0.0974	2.86	14300	0.0854	0.9776
0.0803	2.88	14400	0.0769	0.9804
0.037	2.9	14500	0.0806	0.9788
0.0936	2.92	14600	0.0824	0.9812
0.0064	2.94	14700	0.0748	0.9832
0.0631	2.96	14800	0.0761	0.9828
0.0158	2.98	14900	0.0709	0.9848
0.0433	3.0	15000	0.0704	0.9828
0.0028	3.02	15100	0.0712	0.9824
0.0031	3.04	15200	0.0717	0.9808
0.0191	3.06	15300	0.0716	0.9828
0.0051	3.08	15400	0.0708	0.9832
0.0205	3.1	15500	0.0686	0.9828
0.1147	3.12	15600	0.0670	0.984
0.0014	3.14	15700	0.0628	0.9848
0.0082	3.16	15800	0.0659	0.984
0.0149	3.18	15900	0.0672	0.9836
0.0056	3.2	16000	0.0676	0.9852
0.0059	3.22	16100	0.0706	0.9836
0.0198	3.24	16200	0.0725	0.9812
0.0019	3.26	16300	0.0681	0.9828
0.0013	3.28	16400	0.0681	0.9856
0.0663	3.3	16500	0.0704	0.9852
0.0024	3.32	16600	0.0697	0.984
0.0081	3.34	16700	0.0679	0.9852
0.0264	3.36	16800	0.0631	0.9872
0.0061	3.38	16900	0.0651	0.9848
0.0169	3.4	17000	0.0655	0.9828
0.0013	3.42	17100	0.0661	0.9836
0.0072	3.44	17200	0.0633	0.9848
0.009	3.46	17300	0.0634	0.9848
0.0028	3.48	17400	0.0634	0.9844
0.0024	3.5	17500	0.0637	0.9836
0.0031	3.52	17600	0.0641	0.9848
0.004	3.54	17700	0.0619	0.9856
0.0562	3.56	17800	0.0673	0.9856
0.0005	3.58	17900	0.0644	0.9864
0.0079	3.6	18000	0.0647	0.9872
0.0016	3.62	18100	0.0617	0.9872
0.0019	3.64	18200	0.0636	0.9872
0.0047	3.66	18300	0.0608	0.9848
0.0327	3.68	18400	0.0586	0.9868
0.0108	3.7	18500	0.0594	0.9872
0.0061	3.72	18600	0.0597	0.9868
0.0106	3.74	18700	0.0579	0.9872
0.001	3.76	18800	0.0564	0.9872
0.012	3.78	18900	0.0561	0.9876
0.0038	3.8	19000	0.0566	0.9868
0.0099	3.82	19100	0.0573	0.9864
0.0026	3.84	19200	0.0575	0.9864
0.0062	3.86	19300	0.0573	0.9872
0.0239	3.88	19400	0.0573	0.9864
0.0026	3.9	19500	0.0568	0.9868
0.0014	3.92	19600	0.0557	0.9868
0.0019	3.94	19700	0.0562	0.9864
0.0484	3.96	19800	0.0560	0.9864
0.0022	3.98	19900	0.0559	0.9864
0.0145	4.0	20000	0.0559	0.9864

Framework versions

Transformers 4.26.1
Pytorch 1.13.1+cu116
Datasets 2.10.1
Tokenizers 0.13.2

gorrox14/vit-base-txoriaktxori

vit-base-txoriaktxori

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

gorrox14/
vit-base-txoriaktxori