SegFormer (b0-sized) model fine-tuned on Segments.ai sidewalk-semantic.
SegFormer model fine-tuned on Segments.ai sidewalk-semantic. It was introduced in the paper SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers by Xie et al. and first released in this repository.
Model description
SegFormer consists of a hierarchical Transformer encoder and a lightweight all-MLP decode head to achieve great results on semantic segmentation benchmarks such as ADE20K and Cityscapes. The hierarchical Transformer is first pre-trained on ImageNet-1k, after which a decode head is added and fine-tuned altogether on a downstream dataset.
How to use
Here is how to use this model to classify an image of the sidewalk dataset:
from transformers import SegformerFeatureExtractor, SegformerForSemanticSegmentation
from PIL import Image
import requests
feature_extractor = SegformerFeatureExtractor.from_pretrained("nvidia/segformer-b0-finetuned-ade-512-512")
model = SegformerForSemanticSegmentation.from_pretrained("segments-tobias/segformer-b0-finetuned-segments-sidewalk")
url = "https://segmentsai-prod.s3.eu-west-2.amazonaws.com/assets/admin-tobias/439f6843-80c5-47ce-9b17-0b2a1d54dbeb.jpg"
image = Image.open(requests.get(url, stream=True).raw)
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits # shape (batch_size, num_labels, height/4, width/4)
For more code examples, we refer to the documentation.
segformer-b0-finetuned-segments-sidewalk-aug-5
This model is a fine-tuned version of nvidia/mit-b0 on the apriliaserge/sidewalk-imagery dataset. It achieves the following results on the evaluation set:
- Loss: 1.6715
- Mean Iou: 0.3330
- Mean Accuracy: 0.5203
- Overall Accuracy: 0.6667
- Accuracy Unlabeled: nan
- Accuracy Flat-road: 0.0664
- Accuracy Flat-sidewalk: 0.9545
- Accuracy Flat-crosswalk: nan
- Accuracy Flat-cyclinglane: nan
- Accuracy Flat-parkingdriveway: nan
- Accuracy Flat-railtrack: nan
- Accuracy Flat-curb: nan
- Accuracy Human-person: nan
- Accuracy Human-rider: nan
- Accuracy Vehicle-car: 0.9493
- Accuracy Vehicle-truck: nan
- Accuracy Vehicle-bus: nan
- Accuracy Vehicle-tramtrain: nan
- Accuracy Vehicle-motorcycle: 0.0
- Accuracy Vehicle-bicycle: nan
- Accuracy Vehicle-caravan: nan
- Accuracy Vehicle-cartrailer: nan
- Accuracy Construction-building: 0.6316
- Accuracy Construction-door: nan
- Accuracy Construction-wall: nan
- Accuracy Construction-fenceguardrail: nan
- Accuracy Construction-bridge: nan
- Accuracy Construction-tunnel: nan
- Accuracy Construction-stairs: nan
- Accuracy Object-pole: nan
- Accuracy Object-trafficsign: nan
- Accuracy Object-trafficlight: nan
- Accuracy Nature-vegetation: nan
- Accuracy Nature-terrain: nan
- Accuracy Sky: nan
- Accuracy Void-ground: nan
- Accuracy Void-dynamic: nan
- Accuracy Void-static: nan
- Accuracy Void-unclear: nan
- Iou Unlabeled: 0.0
- Iou Flat-road: 0.0663
- Iou Flat-sidewalk: 0.6901
- Iou Flat-crosswalk: nan
- Iou Flat-cyclinglane: nan
- Iou Flat-parkingdriveway: nan
- Iou Flat-railtrack: nan
- Iou Flat-curb: nan
- Iou Human-person: nan
- Iou Human-rider: nan
- Iou Vehicle-car: 0.6300
- Iou Vehicle-truck: nan
- Iou Vehicle-bus: nan
- Iou Vehicle-tramtrain: nan
- Iou Vehicle-motorcycle: 0.0
- Iou Vehicle-bicycle: nan
- Iou Vehicle-caravan: nan
- Iou Vehicle-cartrailer: nan
- Iou Construction-building: 0.6113
- Iou Construction-door: nan
- Iou Construction-wall: nan
- Iou Construction-fenceguardrail: nan
- Iou Construction-bridge: nan
- Iou Construction-tunnel: nan
- Iou Construction-stairs: nan
- Iou Object-pole: nan
- Iou Object-trafficsign: nan
- Iou Object-trafficlight: nan
- Iou Nature-vegetation: nan
- Iou Nature-terrain: nan
- Iou Sky: nan
- Iou Void-ground: nan
- Iou Void-dynamic: nan
- Iou Void-static: nan
- Iou Void-unclear: nan
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: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
- lr_scheduler_type: linear
- num_epochs: 60
Training results
| Training Loss | Epoch | Step | Validation Loss | Mean Iou | Mean Accuracy | Overall Accuracy | Accuracy Unlabeled | Accuracy Flat-road | Accuracy Flat-sidewalk | Accuracy Flat-crosswalk | Accuracy Flat-cyclinglane | Accuracy Flat-parkingdriveway | Accuracy Flat-railtrack | Accuracy Flat-curb | Accuracy Human-person | Accuracy Human-rider | Accuracy Vehicle-car | Accuracy Vehicle-truck | Accuracy Vehicle-bus | Accuracy Vehicle-tramtrain | Accuracy Vehicle-motorcycle | Accuracy Vehicle-bicycle | Accuracy Vehicle-caravan | Accuracy Vehicle-cartrailer | Accuracy Construction-building | Accuracy Construction-door | Accuracy Construction-wall | Accuracy Construction-fenceguardrail | Accuracy Construction-bridge | Accuracy Construction-tunnel | Accuracy Construction-stairs | Accuracy Object-pole | Accuracy Object-trafficsign | Accuracy Object-trafficlight | Accuracy Nature-vegetation | Accuracy Nature-terrain | Accuracy Sky | Accuracy Void-ground | Accuracy Void-dynamic | Accuracy Void-static | Accuracy Void-unclear | Iou Unlabeled | Iou Flat-road | Iou Flat-sidewalk | Iou Flat-crosswalk | Iou Flat-cyclinglane | Iou Flat-parkingdriveway | Iou Flat-railtrack | Iou Flat-curb | Iou Human-person | Iou Human-rider | Iou Vehicle-car | Iou Vehicle-truck | Iou Vehicle-bus | Iou Vehicle-tramtrain | Iou Vehicle-motorcycle | Iou Vehicle-bicycle | Iou Vehicle-caravan | Iou Vehicle-cartrailer | Iou Construction-building | Iou Construction-door | Iou Construction-wall | Iou Construction-fenceguardrail | Iou Construction-bridge | Iou Construction-tunnel | Iou Construction-stairs | Iou Object-pole | Iou Object-trafficsign | Iou Object-trafficlight | Iou Nature-vegetation | Iou Nature-terrain | Iou Sky | Iou Void-ground | Iou Void-dynamic | Iou Void-static | Iou Void-unclear |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2.8459 | 2.5 | 10 | 3.2465 | 0.0684 | 0.4106 | 0.5516 | nan | 0.5197 | 0.6646 | nan | nan | nan | nan | nan | nan | nan | 0.5629 | nan | nan | nan | 0.1941 | nan | nan | nan | 0.1118 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.3237 | 0.5855 | nan | 0.0 | nan | 0.0 | nan | 0.0 | nan | 0.3814 | 0.0 | 0.0 | 0.0 | 0.1734 | nan | 0.0 | 0.0 | 0.1088 | 0.0 | 0.0 | 0.0 | 0.0 | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 |
| 2.6718 | 5.0 | 20 | 2.7645 | 0.0830 | 0.3385 | 0.5411 | nan | 0.0487 | 0.8496 | nan | nan | nan | nan | nan | nan | nan | 0.7895 | nan | nan | nan | 0.0022 | nan | nan | nan | 0.0027 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0418 | 0.6128 | nan | 0.0 | nan | nan | nan | 0.0 | nan | 0.5862 | nan | nan | 0.0 | 0.0022 | nan | 0.0 | 0.0 | 0.0026 | nan | 0.0 | nan | 0.0 | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 |
| 2.0659 | 7.5 | 30 | 2.4234 | 0.1015 | 0.3788 | 0.5766 | nan | 0.0317 | 0.8978 | nan | nan | nan | nan | nan | nan | nan | 0.9488 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0156 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0283 | 0.6429 | nan | nan | nan | nan | nan | 0.0 | nan | 0.5316 | nan | nan | 0.0 | 0.0 | nan | nan | nan | 0.0150 | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 |
| 2.043 | 10.0 | 40 | 2.2371 | 0.1481 | 0.3918 | 0.5864 | nan | 0.0694 | 0.8952 | nan | nan | nan | nan | nan | nan | nan | 0.9521 | nan | nan | nan | 0.0002 | nan | nan | nan | 0.0421 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0622 | 0.6499 | nan | nan | nan | nan | nan | nan | nan | 0.5791 | nan | nan | 0.0 | 0.0002 | nan | nan | nan | 0.0412 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 |
| 1.9797 | 12.5 | 50 | 2.0856 | 0.1942 | 0.4096 | 0.6025 | nan | 0.0422 | 0.9226 | nan | nan | nan | nan | nan | nan | nan | 0.9593 | nan | nan | nan | 0.0 | nan | nan | nan | 0.1239 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0391 | 0.6631 | nan | nan | nan | nan | nan | nan | nan | 0.5349 | nan | nan | 0.0 | 0.0 | nan | nan | nan | 0.1221 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.7658 | 15.0 | 60 | 2.0426 | 0.2542 | 0.4493 | 0.6344 | nan | 0.0396 | 0.9567 | nan | nan | nan | nan | nan | nan | nan | 0.9618 | nan | nan | nan | 0.0 | nan | nan | nan | 0.2883 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0385 | 0.6875 | nan | nan | nan | nan | nan | nan | nan | 0.5155 | nan | nan | nan | 0.0 | nan | nan | nan | 0.2839 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.6273 | 17.5 | 70 | 1.9741 | 0.2751 | 0.4735 | 0.6527 | nan | 0.1056 | 0.9529 | nan | nan | nan | nan | nan | nan | nan | 0.9563 | nan | nan | nan | 0.0 | nan | nan | nan | 0.3526 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.1022 | 0.6974 | nan | nan | nan | nan | nan | nan | nan | 0.5051 | nan | nan | nan | 0.0 | nan | nan | nan | 0.3459 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.3386 | 20.0 | 80 | 1.9589 | 0.2852 | 0.4799 | 0.6522 | nan | 0.0735 | 0.9565 | nan | nan | nan | nan | nan | nan | nan | 0.9512 | nan | nan | nan | 0.0 | nan | nan | nan | 0.4183 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0723 | 0.6929 | nan | nan | nan | nan | nan | nan | nan | 0.5409 | nan | nan | nan | 0.0 | nan | nan | nan | 0.4052 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.3394 | 22.5 | 90 | 1.9162 | 0.3146 | 0.5021 | 0.6601 | nan | 0.0509 | 0.9613 | nan | nan | nan | nan | nan | nan | nan | 0.9505 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5480 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0506 | 0.6915 | nan | nan | nan | nan | nan | nan | nan | 0.6594 | nan | nan | nan | 0.0 | nan | nan | nan | 0.4863 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.6083 | 25.0 | 100 | 1.8779 | 0.3071 | 0.5116 | 0.6658 | nan | 0.0749 | 0.9576 | nan | nan | nan | nan | nan | nan | nan | 0.9667 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5590 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0742 | 0.6932 | nan | nan | nan | nan | nan | nan | nan | 0.5597 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5153 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.1945 | 27.5 | 110 | 1.7875 | 0.2931 | 0.4904 | 0.6571 | nan | 0.1017 | 0.9490 | nan | nan | nan | nan | nan | nan | nan | 0.9619 | nan | nan | nan | 0.0 | nan | nan | nan | 0.4394 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.1005 | 0.6928 | nan | nan | nan | nan | nan | nan | nan | 0.5405 | nan | nan | nan | 0.0 | nan | nan | nan | 0.4246 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.0752 | 30.0 | 120 | 1.8080 | 0.3160 | 0.5127 | 0.6638 | nan | 0.0408 | 0.9632 | nan | nan | nan | nan | nan | nan | nan | 0.9590 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6007 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0407 | 0.6910 | nan | nan | nan | nan | nan | nan | nan | 0.6062 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5580 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.244 | 32.5 | 130 | 1.7838 | 0.3229 | 0.5169 | 0.6652 | nan | 0.0652 | 0.9548 | nan | nan | nan | nan | nan | nan | nan | 0.9562 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6081 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0647 | 0.6898 | nan | nan | nan | nan | nan | nan | nan | 0.6055 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5774 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.175 | 35.0 | 140 | 1.7537 | 0.3293 | 0.5150 | 0.6633 | nan | 0.0451 | 0.9587 | nan | nan | nan | nan | nan | nan | nan | 0.9472 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6240 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0449 | 0.6889 | nan | nan | nan | nan | nan | nan | nan | 0.6567 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5852 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.1076 | 37.5 | 150 | 1.7566 | 0.3152 | 0.5203 | 0.6641 | nan | 0.0340 | 0.9596 | nan | nan | nan | nan | nan | nan | nan | 0.9655 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6422 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0340 | 0.6879 | nan | nan | nan | nan | nan | nan | nan | 0.5820 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5873 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.3768 | 40.0 | 160 | 1.7104 | 0.3230 | 0.5184 | 0.6635 | nan | 0.0540 | 0.9535 | nan | nan | nan | nan | nan | nan | nan | 0.9588 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6255 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0539 | 0.6873 | nan | nan | nan | nan | nan | nan | nan | 0.6102 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5868 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.0697 | 42.5 | 170 | 1.7058 | 0.3427 | 0.5208 | 0.6657 | nan | 0.0465 | 0.9583 | nan | nan | nan | nan | nan | nan | nan | 0.9457 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6532 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0465 | 0.6890 | nan | nan | nan | nan | nan | nan | nan | 0.6860 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6348 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.203 | 45.0 | 180 | 1.6792 | 0.3482 | 0.5524 | 0.6828 | nan | 0.0737 | 0.9585 | nan | nan | nan | nan | nan | nan | nan | 0.9629 | nan | nan | nan | 0.0 | nan | nan | nan | 0.7670 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0734 | 0.6943 | nan | nan | nan | nan | nan | nan | nan | 0.6250 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6967 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.1764 | 47.5 | 190 | 1.6746 | 0.3250 | 0.5161 | 0.6645 | nan | 0.0665 | 0.9535 | nan | nan | nan | nan | nan | nan | nan | 0.9561 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6046 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0665 | 0.6899 | nan | nan | nan | nan | nan | nan | nan | 0.6087 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5851 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.1456 | 50.0 | 200 | 1.6779 | 0.3197 | 0.5074 | 0.6616 | nan | 0.0468 | 0.9612 | nan | nan | nan | nan | nan | nan | nan | 0.9510 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5782 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0467 | 0.6906 | nan | nan | nan | nan | nan | nan | nan | 0.6173 | nan | nan | nan | 0.0 | nan | nan | nan | 0.5634 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.0412 | 52.5 | 210 | 1.6849 | 0.3303 | 0.5254 | 0.6703 | nan | 0.0346 | 0.9680 | nan | nan | nan | nan | nan | nan | nan | 0.9545 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6702 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0346 | 0.6929 | nan | nan | nan | nan | nan | nan | nan | 0.6229 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6314 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.0742 | 55.0 | 220 | 1.6657 | 0.3349 | 0.5246 | 0.6687 | nan | 0.0593 | 0.9573 | nan | nan | nan | nan | nan | nan | nan | 0.9501 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6561 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0592 | 0.6907 | nan | nan | nan | nan | nan | nan | nan | 0.6303 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6289 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 0.9584 | 57.5 | 230 | 1.6635 | 0.3401 | 0.5293 | 0.6700 | nan | 0.0566 | 0.9569 | nan | nan | nan | nan | nan | nan | nan | 0.9495 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6835 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0566 | 0.6900 | nan | nan | nan | nan | nan | nan | nan | 0.6410 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6533 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
| 1.2096 | 60.0 | 240 | 1.6715 | 0.3330 | 0.5203 | 0.6667 | nan | 0.0664 | 0.9545 | nan | nan | nan | nan | nan | nan | nan | 0.9493 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6316 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0663 | 0.6901 | nan | nan | nan | nan | nan | nan | nan | 0.6300 | nan | nan | nan | 0.0 | nan | nan | nan | 0.6113 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan |
Framework versions
- Transformers 4.54.0
- Pytorch 2.6.0+cu124
- Datasets 4.0.0
- Tokenizers 0.21.2
- Downloads last month
- 73
Inference Providers
NEW
This model isn't deployed by any Inference Provider.
🙋
Ask for provider support
Model tree for apriliaserge/segformer-b0-finetuned-segments-sidewalk-aug-5
Base model
nvidia/mit-b0