You can deploy this model and start earning money today!

li1212/
conditional-detr-resnet-50_finetuned_cppe5

Name: conditional-detr-resnet-50_finetuned_cppe5
Availability: InStock

generated_from_trainer

microsoft/conditional-detr-resnet-50

finetune

apache-2.0

endpoints_compatible

Views

No views yet

conditional-detr-resnet-50_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: 1.0625
Map: 0.2889
Map 50: 0.5213
Map 75: 0.2755
Map Small: 0.1022
Map Medium: 0.229
Map Large: 0.4272
Mar 1: 0.3222
Mar 10: 0.4831
Mar 100: 0.5016
Mar Small: 0.2614
Mar Medium: 0.4179
Mar Large: 0.6587
Map Coverall: 0.5718
Mar 100 Coverall: 0.6954
Map Face Shield: 0.2333
Mar 100 Face Shield: 0.4986
Map Gloves: 0.2051
Mar 100 Gloves: 0.4271
Map Goggles: 0.1597
Mar 100 Goggles: 0.4629
Map Mask: 0.2745
Mar 100 Mask: 0.4239

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: 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: 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
1.9147	1.0	106	1.8194	0.018	0.0388	0.0143	0.0021	0.0124	0.0239	0.0327	0.0914	0.1369	0.0511	0.1158	0.1784	0.066	0.2723	0.0016	0.0141	0.002	0.1633	0.0	0.0242	0.0204	0.2105
1.7779	2.0	212	1.6795	0.0258	0.0566	0.0213	0.0028	0.0269	0.045	0.0581	0.1398	0.2003	0.0736	0.1451	0.276	0.0948	0.4672	0.0018	0.0183	0.0034	0.2156	0.0	0.0161	0.0288	0.2842
1.5384	3.0	318	1.5198	0.0564	0.1102	0.0497	0.011	0.0461	0.0728	0.1032	0.2112	0.2611	0.0954	0.19	0.3563	0.1985	0.5672	0.0195	0.0803	0.006	0.2704	0.0026	0.0452	0.0554	0.3426
1.4396	4.0	424	1.4693	0.068	0.1268	0.0605	0.0083	0.0559	0.0844	0.1045	0.2328	0.2914	0.0959	0.2147	0.3865	0.2221	0.6308	0.0243	0.1169	0.0062	0.2503	0.0022	0.0887	0.0854	0.3703
1.346	5.0	530	1.3865	0.1092	0.211	0.0886	0.0299	0.0947	0.1306	0.147	0.3056	0.3498	0.1688	0.2721	0.4676	0.3744	0.6385	0.0243	0.2676	0.0141	0.299	0.017	0.1774	0.1161	0.3665
1.4945	6.0	636	1.3785	0.1192	0.2391	0.1004	0.0284	0.1022	0.14	0.1468	0.3166	0.3547	0.1625	0.2961	0.468	0.4067	0.6149	0.0358	0.269	0.0376	0.3347	0.0148	0.2032	0.1011	0.3517
1.3374	7.0	742	1.3494	0.1227	0.2446	0.1104	0.0224	0.0971	0.1504	0.1771	0.3492	0.3849	0.1914	0.3082	0.5158	0.4317	0.619	0.0343	0.3535	0.0329	0.3397	0.009	0.2403	0.1056	0.3718
1.2146	8.0	848	1.2911	0.1438	0.2789	0.1279	0.07	0.1074	0.2004	0.1887	0.3793	0.4099	0.2098	0.3261	0.5631	0.4433	0.6128	0.0426	0.369	0.073	0.3935	0.0302	0.2903	0.1298	0.3837
1.2948	9.0	954	1.2916	0.142	0.2761	0.1166	0.0521	0.1147	0.1801	0.1982	0.3779	0.4107	0.1976	0.3197	0.5616	0.4229	0.6103	0.0509	0.3718	0.0672	0.3935	0.0368	0.2871	0.1321	0.3909
1.2078	10.0	1060	1.2753	0.1507	0.3144	0.1235	0.0328	0.1191	0.2269	0.2093	0.3851	0.4132	0.1723	0.332	0.5746	0.4389	0.6256	0.0735	0.369	0.0662	0.3714	0.0271	0.3177	0.1477	0.3823
1.2587	11.0	1166	1.2508	0.1734	0.3524	0.1442	0.0515	0.1426	0.2446	0.2113	0.3937	0.4257	0.1954	0.3409	0.5844	0.463	0.6436	0.0627	0.3859	0.1096	0.3799	0.0553	0.3387	0.1762	0.3804
1.1698	12.0	1272	1.1786	0.2005	0.3877	0.1683	0.1016	0.1568	0.2834	0.238	0.424	0.4521	0.2352	0.3716	0.5995	0.506	0.6631	0.1129	0.4676	0.1215	0.4095	0.0575	0.3081	0.2048	0.412
1.2067	13.0	1378	1.2097	0.1984	0.387	0.1682	0.0614	0.1482	0.2911	0.229	0.4181	0.4454	0.217	0.3519	0.6179	0.5025	0.6697	0.103	0.4366	0.1196	0.3899	0.0618	0.3565	0.205	0.3742
1.0912	14.0	1484	1.1591	0.2216	0.419	0.2006	0.0819	0.1857	0.3055	0.2625	0.4402	0.4714	0.2437	0.3902	0.615	0.5025	0.6759	0.1505	0.469	0.13	0.4055	0.083	0.3887	0.2422	0.4177
1.0154	15.0	1590	1.1474	0.2306	0.4327	0.2099	0.1035	0.1847	0.333	0.2706	0.4434	0.4683	0.2241	0.3922	0.6141	0.5212	0.6672	0.159	0.4718	0.1442	0.3935	0.0876	0.3935	0.2411	0.4153
1.0772	16.0	1696	1.1345	0.2388	0.4498	0.2175	0.1053	0.1906	0.3505	0.2811	0.4483	0.4791	0.2289	0.3974	0.6313	0.5251	0.6692	0.1643	0.4845	0.1485	0.4131	0.1073	0.4194	0.2489	0.4096
0.9185	17.0	1802	1.1253	0.2409	0.4471	0.2173	0.1159	0.1991	0.3476	0.279	0.4538	0.4783	0.253	0.4055	0.6226	0.5242	0.6559	0.1469	0.4606	0.1676	0.4211	0.1137	0.429	0.2523	0.4249
1.0736	18.0	1908	1.1187	0.2507	0.4656	0.2378	0.1003	0.2144	0.3554	0.2878	0.4592	0.4858	0.2265	0.426	0.6152	0.5353	0.6785	0.1635	0.4606	0.1699	0.4387	0.1412	0.4339	0.2437	0.4172
1.0021	19.0	2014	1.0987	0.2608	0.4736	0.2522	0.1262	0.2172	0.3734	0.2981	0.4526	0.4809	0.237	0.4049	0.6321	0.5396	0.6713	0.1529	0.4803	0.1888	0.4201	0.1616	0.421	0.2611	0.412
1.0613	20.0	2120	1.1144	0.2563	0.4785	0.2276	0.0917	0.2102	0.3691	0.2895	0.4472	0.4732	0.2493	0.3923	0.6189	0.5421	0.6621	0.1623	0.4521	0.1872	0.4317	0.1383	0.4145	0.2515	0.4057
1.0576	21.0	2226	1.0888	0.2827	0.5059	0.271	0.1041	0.2359	0.4061	0.3106	0.4658	0.4922	0.2639	0.4076	0.6432	0.5516	0.6831	0.2145	0.5056	0.1897	0.4276	0.1896	0.4274	0.2678	0.4172
0.8949	22.0	2332	1.0893	0.2762	0.5078	0.2489	0.1207	0.2241	0.4014	0.3038	0.4662	0.489	0.2413	0.4026	0.6519	0.5583	0.6856	0.1908	0.4789	0.2028	0.4226	0.1652	0.4403	0.2635	0.4177
1.0853	23.0	2438	1.0747	0.275	0.501	0.2602	0.1144	0.2267	0.3966	0.3049	0.4722	0.4958	0.2632	0.412	0.646	0.5569	0.6908	0.1743	0.493	0.202	0.4281	0.1771	0.4581	0.2649	0.4091
1.0098	24.0	2544	1.0623	0.28	0.5081	0.263	0.1136	0.2199	0.4101	0.311	0.479	0.5011	0.2629	0.4175	0.653	0.5705	0.6949	0.2057	0.5014	0.2023	0.4256	0.1551	0.4613	0.2665	0.4225
0.8466	25.0	2650	1.0682	0.2862	0.514	0.2748	0.105	0.2306	0.4217	0.3173	0.4813	0.5009	0.2669	0.4195	0.6565	0.5691	0.6944	0.221	0.4972	0.2088	0.4241	0.1613	0.4645	0.271	0.4244
0.9067	26.0	2756	1.0638	0.2881	0.5225	0.276	0.1085	0.2309	0.4219	0.3183	0.4802	0.4991	0.2475	0.4205	0.6539	0.5723	0.6938	0.232	0.4944	0.2051	0.4246	0.158	0.4597	0.2734	0.423
0.8462	27.0	2862	1.0629	0.288	0.5182	0.2679	0.1013	0.2252	0.4272	0.3191	0.4807	0.5004	0.261	0.4176	0.6546	0.57	0.6933	0.2337	0.4986	0.2057	0.4286	0.158	0.4565	0.2728	0.4249
0.8771	28.0	2968	1.0642	0.2901	0.524	0.2781	0.1028	0.2299	0.4267	0.3215	0.4821	0.5009	0.2603	0.4192	0.6555	0.5725	0.6949	0.2346	0.4972	0.2055	0.4251	0.1634	0.4629	0.2744	0.4244
0.8022	29.0	3074	1.0626	0.2885	0.5212	0.2758	0.1017	0.229	0.427	0.322	0.4829	0.5013	0.2589	0.4183	0.6588	0.5718	0.6959	0.2309	0.4972	0.206	0.4276	0.1595	0.4613	0.2744	0.4244
0.8245	30.0	3180	1.0625	0.2889	0.5213	0.2755	0.1022	0.229	0.4272	0.3222	0.4831	0.5016	0.2614	0.4179	0.6587	0.5718	0.6954	0.2333	0.4986	0.2051	0.4271	0.1597	0.4629	0.2745	0.4239

Framework versions

Transformers 4.52.4
Pytorch 2.6.0+cu124
Datasets 3.6.0
Tokenizers 0.21.2

li1212/conditional-detr-resnet-50_finetuned_cppe5

conditional-detr-resnet-50_finetuned_cppe5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

li1212/
conditional-detr-resnet-50_finetuned_cppe5