detr_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: 1.2426
• Map: 0.268
• Map 50: 0.5294
• Map 75: 0.2419
• Map Small: 0.1163
• Map Medium: 0.2288
• Map Large: 0.5006
• Mar 1: 0.2865
• Mar 10: 0.4475
• Mar 100: 0.4749
• Mar Small: 0.3002
• Mar Medium: 0.4623
• Mar Large: 0.7345
• Map Coverall: 0.5546
• Mar 100 Coverall: 0.6736
• Map Face Shield: 0.1674
• Mar 100 Face Shield: 0.4833
• Map Gloves: 0.1944
• Mar 100 Gloves: 0.3662
• Map Goggles: 0.1199
• Mar 100 Goggles: 0.4421
• Map Mask: 0.3036
• Mar 100 Mask: 0.4092

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: 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
No log	1.0	102	2.3847	0.008	0.0259	0.0031	0.0071	0.0113	0.0323	0.0303	0.1094	0.1661	0.1002	0.1711	0.2087	0.0105	0.207	0.0034	0.0681	0.0078	0.2167	0.0025	0.0807	0.0156	0.2583
No log	2.0	204	2.1346	0.0292	0.0819	0.0147	0.0126	0.0268	0.042	0.0773	0.1631	0.2064	0.0815	0.1912	0.2543	0.0873	0.3791	0.0083	0.1153	0.0116	0.2069	0.0	0.0	0.0388	0.3306
No log	3.0	306	2.0183	0.0546	0.1289	0.0413	0.0288	0.0352	0.0606	0.1234	0.2329	0.2765	0.1078	0.2436	0.3393	0.1671	0.5567	0.0187	0.2167	0.0094	0.2157	0.0346	0.0912	0.0431	0.3024
No log	4.0	408	1.9305	0.0779	0.1742	0.0587	0.02	0.0476	0.1114	0.1417	0.2692	0.3059	0.0926	0.2783	0.4861	0.27	0.59	0.0335	0.3208	0.0214	0.2377	0.0036	0.086	0.061	0.2951
3.3072	5.0	510	1.7155	0.1186	0.2742	0.0935	0.0303	0.0871	0.2195	0.1434	0.3145	0.3401	0.1573	0.3076	0.5985	0.3762	0.5582	0.0213	0.2569	0.0463	0.2892	0.0081	0.2333	0.1414	0.3626
3.3072	6.0	612	1.6430	0.1371	0.301	0.1037	0.0347	0.1046	0.2527	0.1733	0.3374	0.3664	0.1605	0.3393	0.5973	0.4248	0.601	0.0216	0.2875	0.0572	0.3059	0.0243	0.2877	0.1577	0.35
3.3072	7.0	714	1.5879	0.1537	0.345	0.1218	0.0534	0.1358	0.2768	0.1933	0.3528	0.3807	0.1858	0.3554	0.6497	0.4326	0.6124	0.034	0.3486	0.0719	0.2917	0.0246	0.2877	0.2056	0.3631
3.3072	8.0	816	1.5310	0.1649	0.3587	0.1398	0.0579	0.1333	0.3036	0.1925	0.3729	0.3946	0.1854	0.3742	0.6476	0.4674	0.6353	0.0415	0.3722	0.0933	0.301	0.0387	0.3333	0.1836	0.3311
3.3072	9.0	918	1.4758	0.1789	0.3922	0.1478	0.0668	0.1372	0.3167	0.2241	0.3745	0.405	0.2063	0.3752	0.6691	0.4539	0.6199	0.063	0.4139	0.1041	0.3108	0.0375	0.3053	0.236	0.3752
1.4864	10.0	1020	1.4622	0.1735	0.3827	0.1333	0.05	0.1411	0.354	0.2103	0.371	0.3951	0.183	0.3664	0.6752	0.4784	0.6313	0.053	0.3903	0.1182	0.3186	0.0195	0.3053	0.1985	0.3301
1.4864	11.0	1122	1.4252	0.1858	0.4134	0.1496	0.0591	0.1632	0.3561	0.2227	0.3873	0.4144	0.1911	0.4137	0.6645	0.4794	0.6488	0.0752	0.4153	0.1131	0.3034	0.0292	0.3439	0.2319	0.3607
1.4864	12.0	1224	1.3893	0.1973	0.4218	0.1643	0.0749	0.169	0.4139	0.242	0.4054	0.4302	0.2226	0.4175	0.6991	0.4854	0.6413	0.0662	0.4292	0.1319	0.3397	0.0503	0.3561	0.2529	0.3845
1.4864	13.0	1326	1.3891	0.1998	0.431	0.1596	0.0675	0.1829	0.3762	0.2277	0.3962	0.4222	0.1979	0.4311	0.7011	0.504	0.6428	0.0911	0.4333	0.1384	0.3353	0.0552	0.3702	0.2101	0.3296
1.4864	14.0	1428	1.3981	0.193	0.42	0.1614	0.0698	0.1693	0.3523	0.235	0.3978	0.4271	0.2379	0.42	0.6729	0.4962	0.6557	0.0681	0.4278	0.136	0.3451	0.0493	0.3298	0.2155	0.3772
1.2306	15.0	1530	1.3472	0.217	0.4617	0.1785	0.0857	0.1817	0.4264	0.2416	0.4046	0.4329	0.2377	0.4143	0.7007	0.5137	0.6363	0.0968	0.4611	0.1571	0.3475	0.0484	0.3509	0.2689	0.3684
1.2306	16.0	1632	1.3450	0.227	0.4747	0.1915	0.0861	0.1891	0.4373	0.2521	0.4104	0.439	0.2503	0.4112	0.7344	0.5183	0.6428	0.1179	0.4514	0.1589	0.3289	0.0684	0.3912	0.2717	0.3806
1.2306	17.0	1734	1.2998	0.2359	0.4833	0.202	0.1089	0.1972	0.4426	0.2661	0.4303	0.4475	0.2792	0.4221	0.6999	0.5251	0.6463	0.12	0.4556	0.1646	0.3466	0.0857	0.393	0.284	0.3961
1.2306	18.0	1836	1.2995	0.2376	0.4866	0.1989	0.0926	0.2056	0.4487	0.2711	0.4325	0.4575	0.2798	0.4319	0.7195	0.522	0.6542	0.1299	0.475	0.1636	0.3544	0.0838	0.4018	0.2884	0.4019
1.2306	19.0	1938	1.2998	0.2362	0.4948	0.1954	0.1036	0.1905	0.4647	0.2563	0.4277	0.4446	0.249	0.4216	0.7165	0.5308	0.6672	0.1334	0.4722	0.1829	0.3407	0.0721	0.3772	0.2617	0.3655
1.0733	20.0	2040	1.2773	0.2513	0.5082	0.2298	0.1057	0.2148	0.4873	0.2723	0.4393	0.4678	0.2749	0.4514	0.7437	0.5342	0.6652	0.1499	0.4556	0.1754	0.3534	0.1101	0.4561	0.287	0.4087
1.0733	21.0	2142	1.2668	0.2516	0.5077	0.2323	0.1048	0.2104	0.4929	0.2758	0.4353	0.4592	0.2787	0.4287	0.7393	0.541	0.6692	0.1386	0.4653	0.1778	0.3525	0.1074	0.4018	0.2933	0.4073
1.0733	22.0	2244	1.2665	0.2496	0.5166	0.2143	0.114	0.2045	0.4759	0.2609	0.4314	0.454	0.2708	0.4246	0.7292	0.5355	0.6577	0.1393	0.4556	0.182	0.3657	0.1069	0.4	0.2842	0.3913
1.0733	23.0	2346	1.2512	0.2585	0.5258	0.2298	0.1196	0.2121	0.4884	0.2789	0.4465	0.4695	0.2991	0.4453	0.7262	0.5455	0.6672	0.1491	0.4833	0.1899	0.373	0.1149	0.4211	0.2931	0.4029
1.0733	24.0	2448	1.2511	0.2639	0.5275	0.2388	0.1198	0.2218	0.511	0.2845	0.4464	0.47	0.2911	0.4511	0.7377	0.5482	0.6657	0.1549	0.4694	0.192	0.3725	0.125	0.4386	0.2994	0.4039
0.9823	25.0	2550	1.2495	0.2629	0.5392	0.2309	0.1173	0.2213	0.4926	0.2828	0.4429	0.467	0.2888	0.4478	0.7363	0.549	0.6672	0.1633	0.4792	0.1931	0.3652	0.1181	0.4263	0.2908	0.3971
0.9823	26.0	2652	1.2470	0.2653	0.5276	0.2364	0.1136	0.2258	0.5082	0.2884	0.4486	0.4715	0.3017	0.4567	0.7313	0.5535	0.6701	0.1641	0.475	0.192	0.3672	0.1162	0.4368	0.3007	0.4083
0.9823	27.0	2754	1.2471	0.2661	0.5287	0.2366	0.1138	0.227	0.5013	0.2809	0.4483	0.4736	0.2986	0.4636	0.7286	0.5519	0.6711	0.1687	0.4806	0.1934	0.3676	0.1135	0.4404	0.3031	0.4083
0.9823	28.0	2856	1.2434	0.2673	0.5291	0.242	0.1156	0.229	0.5028	0.2866	0.4462	0.4745	0.3008	0.461	0.7367	0.5555	0.6736	0.1651	0.4806	0.1951	0.3662	0.1179	0.4421	0.3028	0.4102
0.9823	29.0	2958	1.2427	0.2676	0.5272	0.2425	0.116	0.2286	0.5	0.2863	0.4472	0.4745	0.299	0.4623	0.7343	0.554	0.6721	0.1675	0.4833	0.1942	0.3667	0.1195	0.4404	0.3027	0.4102
0.9316	30.0	3060	1.2426	0.268	0.5294	0.2419	0.1163	0.2288	0.5006	0.2865	0.4475	0.4749	0.3002	0.4623	0.7345	0.5546	0.6736	0.1674	0.4833	0.1944	0.3662	0.1199	0.4421	0.3036	0.4092

Framework versions

• Transformers 4.41.1
• Pytorch 2.2.2+cu121
• Datasets 2.19.1
• Tokenizers 0.19.1