Loss: 0.0950
Adhaar Number: {'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}
Ame: {'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}
Ather Name: {'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}
Ather Name Back: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}
Ather Name Front Top: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}
Ddress Back: {'precision': 0.9032258064516129, 'recall': 0.8235294117647058, 'f1': 0.8615384615384616, 'number': 34}
Ddress Front: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}
Ender: {'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}
Ob: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}
Obile Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}
Ther: {'precision': 0.898876404494382, 'recall': 0.8791208791208791, 'f1': 0.8888888888888888, 'number': 91}
Overall Precision: 0.9256
Overall Recall: 0.9045
Overall F1: 0.9149
Overall Accuracy: 0.9923

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: linear
training_steps: 2500
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Adhaar Number	Ame	Ather Name	Ather Name Back	Ather Name Front Top	Ddress Back	Ddress Front	Ender	Ob	Obile Number	Ther	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.185	15.38	200	0.0832	{'precision': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, 'number': 20}	{'precision': 0.9166666666666666, 'recall': 0.8461538461538461, 'f1': 0.8799999999999999, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8484848484848485, 'recall': 0.8235294117647058, 'f1': 0.8358208955223881, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8539325842696629, 'recall': 0.8351648351648352, 'f1': 0.8444444444444446, 'number': 91}	0.8940	0.8818	0.8879	0.9884
0.0034	30.77	400	0.0860	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.8461538461538461, 'recall': 0.8461538461538461, 'f1': 0.8461538461538461, 'number': 13}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8387096774193549, 'recall': 0.7647058823529411, 'f1': 0.7999999999999999, 'number': 34}	{'precision': 0.9411764705882353, 'recall': 1.0, 'f1': 0.9696969696969697, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13}	{'precision': 1.0, 'recall': 0.8, 'f1': 0.888888888888889, 'number': 5}	{'precision': 0.8444444444444444, 'recall': 0.8351648351648352, 'f1': 0.839779005524862, 'number': 91}	0.8796	0.8636	0.8716	0.9877
0.0011	46.15	600	0.1305	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.7692307692307693, 'recall': 0.7692307692307693, 'f1': 0.7692307692307693, 'number': 13}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 0.9, 'recall': 1.0, 'f1': 0.9473684210526316, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8181818181818182, 'recall': 0.7941176470588235, 'f1': 0.8059701492537314, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8222222222222222, 'recall': 0.8131868131868132, 'f1': 0.8176795580110496, 'number': 91}	0.8630	0.8591	0.8610	0.9854
0.0013	61.54	800	0.1075	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.8333333333333334, 'recall': 0.7692307692307693, 'f1': 0.8, 'number': 13}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.7878787878787878, 'recall': 0.7647058823529411, 'f1': 0.7761194029850745, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8222222222222222, 'recall': 0.8131868131868132, 'f1': 0.8176795580110496, 'number': 91}	0.875	0.8591	0.8670	0.9838
0.001	76.92	1000	0.1076	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.8333333333333334, 'recall': 0.7692307692307693, 'f1': 0.8, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.9032258064516129, 'recall': 0.8235294117647058, 'f1': 0.8615384615384616, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8636363636363636, 'recall': 0.8351648351648352, 'f1': 0.8491620111731844, 'number': 91}	0.9061	0.8773	0.8915	0.9892
0.0003	92.31	1200	0.0856	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8125, 'recall': 0.7647058823529411, 'f1': 0.787878787878788, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8555555555555555, 'recall': 0.8461538461538461, 'f1': 0.850828729281768, 'number': 91}	0.8940	0.8818	0.8879	0.9884
0.0001	107.69	1400	0.0950	{'precision': 0.9523809523809523, 'recall': 1.0, 'f1': 0.975609756097561, 'number': 20}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.9032258064516129, 'recall': 0.8235294117647058, 'f1': 0.8615384615384616, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.898876404494382, 'recall': 0.8791208791208791, 'f1': 0.8888888888888888, 'number': 91}	0.9256	0.9045	0.9149	0.9923
0.0001	123.08	1600	0.1075	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.8461538461538461, 'recall': 0.8461538461538461, 'f1': 0.8461538461538461, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.9032258064516129, 'recall': 0.8235294117647058, 'f1': 0.8615384615384616, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8764044943820225, 'recall': 0.8571428571428571, 'f1': 0.8666666666666666, 'number': 91}	0.9070	0.8864	0.8966	0.9908
0.0002	138.46	1800	0.0919	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8484848484848485, 'recall': 0.8235294117647058, 'f1': 0.8358208955223881, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8444444444444444, 'recall': 0.8351648351648352, 'f1': 0.839779005524862, 'number': 91}	0.8899	0.8818	0.8858	0.9892
0.0001	153.85	2000	0.0953	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8484848484848485, 'recall': 0.8235294117647058, 'f1': 0.8358208955223881, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8444444444444444, 'recall': 0.8351648351648352, 'f1': 0.839779005524862, 'number': 91}	0.8899	0.8818	0.8858	0.9892
0.0001	169.23	2200	0.0974	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8484848484848485, 'recall': 0.8235294117647058, 'f1': 0.8358208955223881, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8444444444444444, 'recall': 0.8351648351648352, 'f1': 0.839779005524862, 'number': 91}	0.8899	0.8818	0.8858	0.9892
0.0	184.62	2400	0.1008	{'precision': 0.9047619047619048, 'recall': 0.95, 'f1': 0.9268292682926829, 'number': 20}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 9}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}	{'precision': 0.8484848484848485, 'recall': 0.8235294117647058, 'f1': 0.8358208955223881, 'number': 34}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}	{'precision': 1.0, 'recall': 0.8333333333333334, 'f1': 0.9090909090909091, 'number': 12}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}	{'precision': 0.8444444444444444, 'recall': 0.8351648351648352, 'f1': 0.839779005524862, 'number': 91}	0.8899	0.8818	0.8858	0.9892

Framework versions

Transformers 4.38.2
Pytorch 2.1.0+cu121
Datasets 2.18.0
Tokenizers 0.15.2

prashantloni/lilt-en-aadhaar

lilt-en-aadhaar

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

prashantloni/
lilt-en-aadhaar