This model is a fine-tuned version of nvidia/mit-b0 on the vigneshgs7/Boundary_detection_Doc dataset. It achieves the following results on the evaluation set:

Loss: 0.0210
Mean Iou: 0.0
Mean Accuracy: nan
Overall Accuracy: nan
Accuracy Object: nan
Iou Object: 0.0

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: 6e-05
train_batch_size: 2
eval_batch_size: 2
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 100

Training results

Training Loss	Epoch	Step	Validation Loss	Mean Accuracy	Overall Accuracy	Accuracy Object
0.2271	0.57	20	0.2264	nan	nan	nan
0.2259	1.14	40	0.2250	nan	nan	nan
0.2206	1.71	60	0.1485	nan	nan	nan
0.1746	2.29	80	0.1454	nan	nan	nan
0.15	2.86	100	0.1346	nan	nan	nan
0.1664	3.43	120	0.1256	nan	nan	nan
0.1592	4.0	140	0.1174	nan	nan	nan
0.1315	4.57	160	0.1162	nan	nan	nan
0.1175	5.14	180	0.0957	nan	nan	nan
0.104	5.71	200	0.0987	nan	nan	nan
0.1028	6.29	220	0.0922	nan	nan	nan
0.0961	6.86	240	0.0882	nan	nan	nan
0.0969	7.43	260	0.0781	nan	nan	nan
0.0965	8.0	280	0.0699	nan	nan	nan
0.0782	8.57	300	0.0708	nan	nan	nan
0.0852	9.14	320	0.0692	nan	nan	nan
0.071	9.71	340	0.0664	nan	nan	nan
0.0647	10.29	360	0.0635	nan	nan	nan
0.0639	10.86	380	0.0586	nan	nan	nan
0.0598	11.43	400	0.0582	nan	nan	nan
0.0642	12.0	420	0.0544	nan	nan	nan
0.0562	12.57	440	0.0558	nan	nan	nan
0.0554	13.14	460	0.0536	nan	nan	nan
0.0597	13.71	480	0.0458	nan	nan	nan
0.0506	14.29	500	0.0491	nan	nan	nan
0.0504	14.86	520	0.0434	nan	nan	nan
0.0493	15.43	540	0.0448	nan	nan	nan
0.0507	16.0	560	0.0466	nan	nan	nan
0.0515	16.57	580	0.0448	nan	nan	nan
0.0456	17.14	600	0.0439	nan	nan	nan
0.0507	17.71	620	0.0368	nan	nan	nan
0.0457	18.29	640	0.0421	nan	nan	nan
0.0391	18.86	660	0.0353	nan	nan	nan
0.0389	19.43	680	0.0409	nan	nan	nan
0.0418	20.0	700	0.0371	nan	nan	nan
0.0352	20.57	720	0.0367	nan	nan	nan
0.035	21.14	740	0.0334	nan	nan	nan
0.0356	21.71	760	0.0350	nan	nan	nan
0.0338	22.29	780	0.0330	nan	nan	nan
0.0364	22.86	800	0.0322	nan	nan	nan
0.0392	23.43	820	0.0331	nan	nan	nan
0.0295	24.0	840	0.0336	nan	nan	nan
0.0315	24.57	860	0.0322	nan	nan	nan
0.03	25.14	880	0.0313	nan	nan	nan
0.0276	25.71	900	0.0340	nan	nan	nan
0.0274	26.29	920	0.0326	nan	nan	nan
0.0275	26.86	940	0.0304	nan	nan	nan
0.0278	27.43	960	0.0304	nan	nan	nan
0.0293	28.0	980	0.0338	nan	nan	nan
0.0245	28.57	1000	0.0295	nan	nan	nan
0.0348	29.14	1020	0.0287	nan	nan	nan
0.0236	29.71	1040	0.0273	nan	nan	nan
0.0229	30.29	1060	0.0260	nan	nan	nan
0.0324	30.86	1080	0.0290	nan	nan	nan
0.029	31.43	1100	0.0273	nan	nan	nan
0.0248	32.0	1120	0.0266	nan	nan	nan
0.0253	32.57	1140	0.0260	nan	nan	nan
0.0226	33.14	1160	0.0265	nan	nan	nan
0.0224	33.71	1180	0.0265	nan	nan	nan
0.0213	34.29	1200	0.0261	nan	nan	nan
0.0236	34.86	1220	0.0278	nan	nan	nan
0.0206	35.43	1240	0.0288	nan	nan	nan
0.0232	36.0	1260	0.0254	nan	nan	nan
0.0242	36.57	1280	0.0252	nan	nan	nan
0.0203	37.14	1300	0.0268	nan	nan	nan
0.0241	37.71	1320	0.0248	nan	nan	nan
0.0208	38.29	1340	0.0229	nan	nan	nan
0.0187	38.86	1360	0.0253	nan	nan	nan
0.0192	39.43	1380	0.0242	nan	nan	nan
0.022	40.0	1400	0.0248	nan	nan	nan
0.0189	40.57	1420	0.0244	nan	nan	nan
0.0202	41.14	1440	0.0250	nan	nan	nan
0.0181	41.71	1460	0.0242	nan	nan	nan
0.03	42.29	1480	0.0256	nan	nan	nan
0.0176	42.86	1500	0.0240	nan	nan	nan
0.0196	43.43	1520	0.0238	nan	nan	nan
0.0192	44.0	1540	0.0238	nan	nan	nan
0.0169	44.57	1560	0.0244	nan	nan	nan
0.0192	45.14	1580	0.0256	nan	nan	nan
0.0189	45.71	1600	0.0254	nan	nan	nan
0.0177	46.29	1620	0.0251	nan	nan	nan
0.0196	46.86	1640	0.0232	nan	nan	nan
0.0193	47.43	1660	0.0224	nan	nan	nan
0.0195	48.0	1680	0.0233	nan	nan	nan
0.0187	48.57	1700	0.0234	nan	nan	nan
0.0178	49.14	1720	0.0242	nan	nan	nan
0.0151	49.71	1740	0.0236	nan	nan	nan
0.0158	50.29	1760	0.0233	nan	nan	nan
0.0179	50.86	1780	0.0224	nan	nan	nan
0.0152	51.43	1800	0.0213	nan	nan	nan
0.0181	52.0	1820	0.0222	nan	nan	nan
0.0153	52.57	1840	0.0229	nan	nan	nan
0.0174	53.14	1860	0.0228	nan	nan	nan
0.015	53.71	1880	0.0230	nan	nan	nan
0.0138	54.29	1900	0.0237	nan	nan	nan
0.0154	54.86	1920	0.0233	nan	nan	nan
0.0154	55.43	1940	0.0230	nan	nan	nan
0.0164	56.0	1960	0.0240	nan	nan	nan
0.0164	56.57	1980	0.0235	nan	nan	nan
0.014	57.14	2000	0.0231	nan	nan	nan
0.0145	57.71	2020	0.0224	nan	nan	nan
0.0141	58.29	2040	0.0213	nan	nan	nan
0.0144	58.86	2060	0.0220	nan	nan	nan
0.0152	59.43	2080	0.0233	nan	nan	nan
0.0147	60.0	2100	0.0233	nan	nan	nan
0.0175	60.57	2120	0.0215	nan	nan	nan
0.0142	61.14	2140	0.0218	nan	nan	nan
0.0175	61.71	2160	0.0219	nan	nan	nan
0.0159	62.29	2180	0.0219	nan	nan	nan
0.0136	62.86	2200	0.0220	nan	nan	nan
0.0187	63.43	2220	0.0224	nan	nan	nan
0.0139	64.0	2240	0.0227	nan	nan	nan
0.0139	64.57	2260	0.0227	nan	nan	nan
0.0128	65.14	2280	0.0224	nan	nan	nan
0.0128	65.71	2300	0.0214	nan	nan	nan
0.0127	66.29	2320	0.0214	nan	nan	nan
0.0135	66.86	2340	0.0212	nan	nan	nan
0.0128	67.43	2360	0.0210	nan	nan	nan
0.0162	68.0	2380	0.0205	nan	nan	nan
0.0145	68.57	2400	0.0198	nan	nan	nan
0.0131	69.14	2420	0.0198	nan	nan	nan
0.0126	69.71	2440	0.0213	nan	nan	nan
0.013	70.29	2460	0.0211	nan	nan	nan
0.0134	70.86	2480	0.0211	nan	nan	nan
0.0133	71.43	2500	0.0214	nan	nan	nan
0.0124	72.0	2520	0.0213	nan	nan	nan
0.0112	72.57	2540	0.0215	nan	nan	nan
0.0128	73.14	2560	0.0217	nan	nan	nan
0.0127	73.71	2580	0.0218	nan	nan	nan
0.0127	74.29	2600	0.0207	nan	nan	nan
0.0126	74.86	2620	0.0208	nan	nan	nan
0.0119	75.43	2640	0.0207	nan	nan	nan
0.0122	76.0	2660	0.0212	nan	nan	nan
0.0148	76.57	2680	0.0211	nan	nan	nan
0.014	77.14	2700	0.0216	nan	nan	nan
0.0112	77.71	2720	0.0219	nan	nan	nan
0.012	78.29	2740	0.0211	nan	nan	nan
0.0116	78.86	2760	0.0211	nan	nan	nan
0.0114	79.43	2780	0.0218	nan	nan	nan
0.0129	80.0	2800	0.0215	nan	nan	nan
0.0124	80.57	2820	0.0211	nan	nan	nan
0.0146	81.14	2840	0.0214	nan	nan	nan
0.0122	81.71	2860	0.0206	nan	nan	nan
0.0117	82.29	2880	0.0206	nan	nan	nan
0.0135	82.86	2900	0.0206	nan	nan	nan
0.0155	83.43	2920	0.0211	nan	nan	nan
0.0123	84.0	2940	0.0207	nan	nan	nan
0.014	84.57	2960	0.0212	nan	nan	nan
0.0112	85.14	2980	0.0216	nan	nan	nan
0.013	85.71	3000	0.0217	nan	nan	nan
0.013	86.29	3020	0.0216	nan	nan	nan
0.0113	86.86	3040	0.0212	nan	nan	nan
0.0125	87.43	3060	0.0215	nan	nan	nan
0.0119	88.0	3080	0.0215	nan	nan	nan
0.0119	88.57	3100	0.0221	nan	nan	nan
0.0103	89.14	3120	0.0224	nan	nan	nan
0.012	89.71	3140	0.0226	nan	nan	nan
0.0116	90.29	3160	0.0228	nan	nan	nan
0.013	90.86	3180	0.0219	nan	nan	nan
0.0257	91.43	3200	0.0219	nan	nan	nan
0.0109	92.0	3220	0.0217	nan	nan	nan
0.0119	92.57	3240	0.0213	nan	nan	nan
0.0131	93.14	3260	0.0209	nan	nan	nan
0.0128	93.71	3280	0.0210	nan	nan	nan
0.0117	94.29	3300	0.0209	nan	nan	nan
0.0135	94.86	3320	0.0209	nan	nan	nan
0.0111	95.43	3340	0.0208	nan	nan	nan
0.0115	96.0	3360	0.0210	nan	nan	nan
0.0118	96.57	3380	0.0210	nan	nan	nan
0.0118	97.14	3400	0.0211	nan	nan	nan
0.0173	97.71	3420	0.0209	nan	nan	nan
0.0127	98.29	3440	0.0210	nan	nan	nan
0.0114	98.86	3460	0.0210	nan	nan	nan
0.0114	99.43	3480	0.0210	nan	nan	nan
0.0642	100.0	3500	0.0210	nan	nan	nan

Framework versions

Transformers 4.35.0
Pytorch 2.1.0
Datasets 2.14.6
Tokenizers 0.14.1

vigneshgs7/segformer-b0-finetuned-segments-docboundary-dec-15-88_images

segformer-b0-finetuned-segments-docboundary-dec-15-88_images

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

vigneshgs7/
segformer-b0-finetuned-segments-docboundary-dec-15-88_images