This is a SetFit model trained on the tmp-org/netto dataset that can be used for Text Classification. This SetFit model uses Alibaba-NLP/gte-multilingual-base as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: Alibaba-NLP/gte-multilingual-base
Classification head: a LogisticRegression instance
Maximum Sequence Length: 8192 tokens
Number of Classes: 27 classes
Training Dataset: tmp-org/netto

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
Startseite_Startseite	' (Startseite) [ViewGroup
Coupons_Coupons	'20 Extra °P () [TextView
Angebote_Angebote	'App-Angebote () [TextView
Online-Shop_Online-Shop	'60528 Frankfurt am Main () [TextView
Other_Loading	' (Zurück zur vorherigen Seite) [View
Karte + Zahlen_Loading	'Melibocusstr. 52 () [TextView
Angebote_Loading	'Angebote () [TextView
Karte + Zahlen_Coupons	'Coupons () [TextView
Other_Neuigkeiten	' (Netto Adventskalender 2025 – Jeden Tag ein Türchen öffnen und gewinnen!) [FrameLayout
Other_Gewinnspiel	'Weihnachten steht vor der Tür, und der Netto-Adventskalender macht die Vorfreude zum Jahresende von 2025 noch spannender!\n\nVom 1. bis zum 24. Dezember 2025 kannst du täglich ein Türchen in unserem Netto plus App Adventskalender öffnen und großartige Preise entdecken. \nSichere dir coole Sachpreise, Gratisartikel, App-Coupons oder attraktive Online-Shop Gutscheine von Netto.\n\nEgal ob Technikartikel, praktische Haushaltsgeräte, Fahrräder, Geschenk-Gutscheine oder VW Bulli – hinter jedem Türchen verbirgt sich eine Überraschung!\n\nZum Adventskalender\n\n\nTeilnahmebeschränkungen: Mindestalter 18 Jahre, Wohnsitz in Deutschland. Mitarbeiter der beteiligten Unternehmen und deren Angehörige sind von der Teilnahme ausgeschlossen. \nZum Erhalt der Gewinne wird ein Netto plus Kundenkonto benötigt. Weitere Teilnahmebedingungen und Datenschutzhinweise direkt unterhalb des Adventskalenders. () [TextView
Other_Meine Funktionen	' (Hallo, ) [FrameLayout
Other_Prospekte	'Wochenprospekte - hz49_wosn - Seite 3 () [WebView
Karte + Zahlen_Nur Karte	'Melibocusstr. 52 () [TextView
Other_Angebote details	'Für Dich () [TextView
Startseite_Loading	' (Startseite) [ViewGroup
Other_Mein PAYBACK	'Mein PAYBACK () [TextView
Other_Einkaufsliste	' (Einkaufsliste) [FrameLayout
Other_Adventskalender	'Hinweis () [TextView
Other_Meine digitalen Kassenbons	' (Zurück zur vorherigen Seite) [Button
Other_Information	'Information () [TextView
Other_Coupon details	'15% () [TextView
Karte + Zahlen_Karte + Zahlen	'Melibocusstr. 52 () [TextView
Online-Shop_Loading	'60528 Frankfurt am Main () [TextView
Other_Rezepte	'Käsefondue mit Brokkoli () [TextView
Other_Unknown	'Hallo ! – Dein Jahr 2025 war voller Sparmomente! () [TextView
Other_Code einlösen	' (Code einlösen) [FrameLayout
Coupons_Loading	'60528 Frankfurt am Main () [TextView

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

python

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("tmp-org/netto_v1")
# Run inference
preds = model(" (Karte + Zahlen) [LinearLayout|WebView]")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	197.8415	8627

Label	Training Sample Count
Angebote_Angebote	32
Angebote_Loading	8
Coupons_Coupons	32
Coupons_Loading	3
Karte + Zahlen_Coupons	32
Karte + Zahlen_Karte + Zahlen	11
Karte + Zahlen_Loading	8
Karte + Zahlen_Nur Karte	22
Online-Shop_Loading	7
Online-Shop_Online-Shop	32
Other_Adventskalender	4
Other_Angebote details	29
Other_Code einlösen	1
Other_Coupon details	5
Other_Einkaufsliste	32
Other_Gewinnspiel	2
Other_Information	5
Other_Loading	10
Other_Mein PAYBACK	12
Other_Meine Funktionen	15
Other_Meine digitalen Kassenbons	6
Other_Neuigkeiten	18
Other_Prospekte	16
Other_Rezepte	31
Other_Unknown	1
Startseite_Loading	4
Startseite_Startseite	32

Training Hyperparameters

batch_size: (4, 4)
num_epochs: (1, 1)
max_steps: -1
sampling_strategy: undersampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
l2_weight: 0.01
seed: 4242
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0004	1	0.047	-
0.0194	50	0.2357	-
0.0388	100	0.1651	-
0.0581	150	0.1409	-
0.0775	200	0.1471	-
0.0969	250	0.1272	-
0.1163	300	0.1091	-
0.1357	350	0.1015	-
0.1550	400	0.0965	-
0.1744	450	0.0707	-
0.1938	500	0.0922	-
0.2132	550	0.092	-
0.2326	600	0.0565	-
0.2519	650	0.0563	-
0.2713	700	0.0801	-
0.2907	750	0.0932	-
0.3101	800	0.0714	-
0.3295	850	0.0685	-
0.3488	900	0.0523	-
0.3682	950	0.0768	-
0.3876	1000	0.0559	-
0.4070	1050	0.0545	-
0.4264	1100	0.0421	-
0.4457	1150	0.0557	-
0.4651	1200	0.0645	-
0.4845	1250	0.0583	-
0.5039	1300	0.0407	-
0.5233	1350	0.0486	-
0.5426	1400	0.0575	-
0.5620	1450	0.0425	-
0.5814	1500	0.0507	-
0.6008	1550	0.0502	-
0.6202	1600	0.041	-
0.6395	1650	0.037	-
0.6589	1700	0.0464	-
0.6783	1750	0.0444	-
0.6977	1800	0.0333	-
0.7171	1850	0.0305	-
0.7364	1900	0.046	-
0.7558	1950	0.031	-
0.7752	2000	0.0463	-
0.7946	2050	0.0273	-
0.8140	2100	0.0297	-
0.8333	2150	0.0303	-
0.8527	2200	0.0381	-
0.8721	2250	0.0459	-
0.8915	2300	0.0506	-
0.9109	2350	0.0418	-
0.9302	2400	0.0231	-
0.9496	2450	0.0358	-
0.9690	2500	0.0368	-
0.9884	2550	0.0286	-

Framework Versions

Python: 3.12.6
SetFit: 1.1.2
Sentence Transformers: 5.2.2
Transformers: 4.57.1
PyTorch: 2.10.0+cu128
Datasets: 3.6.0
Tokenizers: 0.22.2

Citation

BibTeX

bibtex

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}