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: 1.1579
Map: 0.2495
Map 50: 0.4949
Map 75: 0.2208
Map Small: 0.0806
Map Medium: 0.2034
Map Large: 0.3815
Mar 1: 0.268
Mar 10: 0.4302
Mar 100: 0.4537
Mar Small: 0.2235
Mar Medium: 0.394
Mar Large: 0.6242
Map Coverall: 0.5281
Mar 100 Coverall: 0.6599
Map Face Shield: 0.2108
Mar 100 Face Shield: 0.4962
Map Gloves: 0.1707
Mar 100 Gloves: 0.3638
Map Goggles: 0.0772
Mar 100 Goggles: 0.3523
Map Mask: 0.2606
Mar 100 Mask: 0.3964

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_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
1.3904	1.0	107	1.5083	0.0425	0.0993	0.033	0.0088	0.0413	0.0549	0.0985	0.2312	0.2861	0.1072	0.2358	0.3825	0.1267	0.5932	0.0108	0.1532	0.0079	0.2286	0.0172	0.1338	0.05	0.3218
1.4355	2.0	214	1.5315	0.0434	0.0973	0.0343	0.0099	0.0463	0.0588	0.1042	0.2502	0.2972	0.1328	0.2279	0.4207	0.1206	0.5779	0.0105	0.2291	0.0054	0.1951	0.0246	0.1662	0.0561	0.3178
1.3633	3.0	321	1.5007	0.0563	0.1211	0.0455	0.0247	0.0423	0.0709	0.1368	0.2808	0.3257	0.1546	0.2595	0.441	0.1599	0.5532	0.0372	0.3278	0.0204	0.2629	0.0076	0.1723	0.0563	0.3124
1.3152	4.0	428	1.4325	0.0729	0.1569	0.0583	0.0196	0.079	0.1072	0.1636	0.3276	0.366	0.1756	0.3004	0.5015	0.2057	0.6288	0.0251	0.319	0.0203	0.2656	0.0133	0.2585	0.0998	0.3582
1.3114	5.0	535	1.4133	0.1027	0.2292	0.0797	0.0288	0.0799	0.1398	0.1595	0.3218	0.3679	0.1695	0.2976	0.508	0.3269	0.6441	0.0455	0.3696	0.0323	0.2714	0.0231	0.2277	0.0857	0.3267
1.2541	6.0	642	1.3576	0.1221	0.2666	0.101	0.0406	0.0914	0.178	0.1725	0.3508	0.3919	0.1641	0.3407	0.544	0.3771	0.6194	0.0522	0.3785	0.0439	0.3036	0.0205	0.2954	0.1166	0.3627
1.2322	7.0	749	1.3661	0.1434	0.3288	0.1109	0.0561	0.1086	0.2285	0.1857	0.3527	0.3819	0.1775	0.3229	0.5473	0.3764	0.591	0.0696	0.3772	0.0671	0.3071	0.0344	0.2815	0.1694	0.3524
1.1572	8.0	856	1.3589	0.1515	0.3342	0.1251	0.0479	0.1199	0.2364	0.194	0.3618	0.3967	0.1697	0.3353	0.5657	0.4184	0.6311	0.0698	0.3734	0.0669	0.3022	0.0492	0.3308	0.1531	0.3458
1.2476	9.0	963	1.3140	0.1736	0.3776	0.1405	0.0635	0.135	0.2629	0.2002	0.3733	0.4001	0.1785	0.3384	0.564	0.4229	0.6068	0.1058	0.4152	0.0785	0.3089	0.0477	0.2923	0.2133	0.3773
1.1068	10.0	1070	1.2897	0.1833	0.3864	0.1454	0.0519	0.1526	0.2751	0.2036	0.382	0.4125	0.1737	0.3679	0.5695	0.4626	0.636	0.1026	0.4152	0.0922	0.3214	0.0464	0.3154	0.2127	0.3747
1.0924	11.0	1177	1.2928	0.19	0.39	0.1708	0.0625	0.1656	0.2961	0.2231	0.3905	0.415	0.1695	0.3715	0.5777	0.4453	0.6329	0.1172	0.4329	0.104	0.3067	0.0488	0.3169	0.2349	0.3858
1.0815	12.0	1284	1.2469	0.1932	0.3938	0.1744	0.066	0.163	0.285	0.2314	0.3999	0.4306	0.2187	0.3844	0.58	0.4791	0.6455	0.1181	0.4633	0.1138	0.3219	0.0302	0.3308	0.2249	0.3916
0.9654	13.0	1391	1.2620	0.1957	0.4117	0.1578	0.061	0.1573	0.315	0.217	0.3928	0.4195	0.1949	0.3675	0.591	0.4711	0.6189	0.1026	0.4658	0.1242	0.3348	0.0525	0.3169	0.2281	0.3609
1.0344	14.0	1498	1.2480	0.2032	0.4333	0.1706	0.0627	0.1677	0.3162	0.2219	0.3986	0.4257	0.182	0.3722	0.592	0.4569	0.6252	0.1292	0.4646	0.1273	0.3326	0.0663	0.3354	0.2361	0.3707
0.9800	15.0	1605	1.2364	0.2043	0.4125	0.1697	0.0626	0.1567	0.3202	0.2274	0.3959	0.4233	0.2061	0.3551	0.6018	0.4874	0.6428	0.1198	0.4456	0.13	0.3232	0.0571	0.3185	0.2273	0.3862
0.9920	16.0	1712	1.2259	0.2122	0.429	0.1792	0.0687	0.1776	0.3262	0.2318	0.3954	0.4231	0.2187	0.3667	0.5867	0.4822	0.632	0.138	0.4582	0.1389	0.3438	0.0504	0.3	0.2516	0.3813
0.9609	17.0	1819	1.1948	0.2188	0.4393	0.1895	0.0736	0.1829	0.3414	0.2509	0.4222	0.4491	0.1934	0.3996	0.6267	0.5092	0.6532	0.1464	0.4937	0.1366	0.35	0.0507	0.3646	0.251	0.384
0.9842	18.0	1926	1.2143	0.2222	0.4586	0.1923	0.0736	0.182	0.3508	0.2499	0.4106	0.4363	0.1898	0.3814	0.6099	0.4979	0.6297	0.1588	0.4785	0.1441	0.3464	0.0649	0.3477	0.2452	0.3791
0.8698	19.0	2033	1.1819	0.2249	0.4546	0.198	0.0697	0.1803	0.3599	0.2514	0.4163	0.4472	0.2163	0.3951	0.6158	0.5046	0.6414	0.1375	0.4772	0.1437	0.3607	0.0763	0.3569	0.2625	0.3996
0.9176	20.0	2140	1.1899	0.2321	0.4699	0.2056	0.0787	0.177	0.3648	0.2526	0.413	0.442	0.2096	0.3817	0.6086	0.5129	0.6455	0.1764	0.4785	0.1478	0.35	0.0706	0.3477	0.2529	0.3884
0.8637	21.0	2247	1.1829	0.2404	0.4759	0.2108	0.0801	0.1867	0.375	0.26	0.4172	0.4437	0.1841	0.3827	0.622	0.5132	0.645	0.1886	0.4911	0.1582	0.3549	0.0802	0.3354	0.2617	0.392
0.8864	22.0	2354	1.1781	0.243	0.4871	0.2134	0.0826	0.1984	0.3686	0.2534	0.4195	0.4486	0.2257	0.396	0.6139	0.5157	0.6459	0.1946	0.4823	0.1633	0.3661	0.0798	0.3569	0.2617	0.392
0.8269	23.0	2461	1.1687	0.2431	0.486	0.2094	0.0798	0.196	0.3741	0.2582	0.4264	0.4519	0.2217	0.3969	0.6152	0.5223	0.6486	0.1995	0.5025	0.1636	0.3594	0.0782	0.3569	0.252	0.392
0.7634	24.0	2568	1.1664	0.2404	0.4757	0.2176	0.074	0.191	0.3813	0.2626	0.4232	0.449	0.2162	0.3877	0.6168	0.5211	0.6568	0.1904	0.481	0.1686	0.3607	0.0639	0.3462	0.2581	0.4004
0.8207	25.0	2675	1.1625	0.2457	0.4891	0.219	0.0767	0.1984	0.3796	0.2648	0.4269	0.4558	0.227	0.3919	0.6287	0.5263	0.6617	0.2005	0.4899	0.1714	0.3679	0.0708	0.36	0.2596	0.3996
0.8060	26.0	2782	1.1632	0.2483	0.4943	0.2161	0.0824	0.2018	0.3852	0.264	0.4272	0.4548	0.2313	0.3968	0.6227	0.5257	0.6604	0.2044	0.4886	0.1703	0.3692	0.0805	0.3569	0.2607	0.3991
0.8176	27.0	2889	1.1607	0.2477	0.4934	0.2184	0.0823	0.2021	0.3803	0.2666	0.429	0.4533	0.2279	0.3949	0.6226	0.525	0.6622	0.2063	0.4861	0.1695	0.3679	0.0782	0.3538	0.2597	0.3964
0.8128	28.0	2996	1.1585	0.2485	0.4935	0.2181	0.0809	0.2011	0.38	0.2669	0.4287	0.4548	0.2254	0.3923	0.6282	0.5284	0.6599	0.2089	0.4911	0.1691	0.3656	0.0774	0.3615	0.2587	0.3956
0.7873	29.0	3103	1.1576	0.2497	0.4949	0.2209	0.0806	0.2034	0.3822	0.2682	0.4304	0.4535	0.2235	0.3934	0.6244	0.5284	0.6608	0.2116	0.4937	0.1706	0.3638	0.0772	0.3523	0.2609	0.3969
0.8835	30.0	3210	1.1579	0.2495	0.4949	0.2208	0.0806	0.2034	0.3815	0.268	0.4302	0.4537	0.2235	0.394	0.6242	0.5281	0.6599	0.2108	0.4962	0.1707	0.3638	0.0772	0.3523	0.2606	0.3964

Framework versions

Transformers 5.0.0
Pytorch 2.10.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

ltsach/detr_finetuned_cppe5

detr_finetuned_cppe5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

ltsach/
detr_finetuned_cppe5