metadata

library_name: transformers
license: apache-2.0
base_model: PekingU/rtdetr_r50vd_coco_o365
tags:
  - generated_from_trainer
model-index:
  - name: rt-detr-resnet-50-dc5-rdd2022-finetuned
    results: []

rt-detr-resnet-50-dc5-rdd2022-finetuned

This model is a fine-tuned version of PekingU/rtdetr_r50vd_coco_o365 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 19.3719
Map: 0.1069
Map 50: 0.1963
Map 75: 0.0976
Map Small: 0.0428
Map Medium: 0.1013
Map Large: 0.1629
Mar 1: 0.1475
Mar 10: 0.1998
Mar 100: 0.2204
Mar Small: 0.1209
Mar Medium: 0.1972
Mar Large: 0.2704
Map D20: 0.0147
Mar 100 D20: 0.083
Map D40: 0.0141
Mar 100 D40: 0.1521
Map D50: 0.2902
Mar 100 D50: 0.3499
Map D10: 0.0005
Mar 100 D10: 0.1
Map D44: 0.1447
Mar 100 D44: 0.2717
Map D00: 0.0095
Mar 100 D00: 0.1005
Map D43: 0.2743
Mar 100 D43: 0.486

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: 16
eval_batch_size: 8
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
lr_scheduler_warmup_steps: 300
num_epochs: 20
mixed_precision_training: Native AMP

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 D20	Mar 100 D20	Map D40	Mar 100 D40	Map D50	Mar 100 D50	Map D10	Mar 100 D10	Map D44	Mar 100 D44	Map D00	Mar 100 D00	Map D43	Mar 100 D43
70.5412	1.0	591	15.8723	0.195	0.3702	0.1913	0.0835	0.1413	0.2872	0.2633	0.4192	0.4639	0.2852	0.3983	0.5786	0.2117	0.5141	0.0347	0.2521	0.3687	0.5223	0.0601	0.3365	0.26	0.5964	0.051	0.366	0.3788	0.6596
18.658	2.0	1182	14.9769	0.215	0.41	0.2031	0.0901	0.185	0.3103	0.2907	0.4185	0.4475	0.2827	0.3842	0.5612	0.1749	0.4639	0.0771	0.2747	0.4111	0.5318	0.0522	0.2324	0.2839	0.6062	0.1151	0.3318	0.3905	0.6912
16.5068	3.0	1773	15.7224	0.225	0.4212	0.2151	0.0878	0.1847	0.3261	0.2885	0.3949	0.4256	0.224	0.3765	0.5596	0.1723	0.4003	0.0783	0.2695	0.4111	0.4905	0.0631	0.2403	0.2807	0.5652	0.099	0.3028	0.4704	0.7105
15.5337	4.0	2364	16.4444	0.1833	0.3516	0.1729	0.0658	0.1528	0.2629	0.2478	0.337	0.3669	0.1783	0.3145	0.4655	0.1052	0.2952	0.0472	0.2184	0.363	0.4341	0.022	0.1828	0.2872	0.5433	0.0723	0.242	0.3864	0.6526
14.9507	5.0	2955	16.4993	0.2025	0.3692	0.1978	0.0647	0.1726	0.292	0.2574	0.3549	0.3909	0.1786	0.3521	0.5171	0.1393	0.3789	0.026	0.2221	0.3892	0.4648	0.0359	0.2098	0.3253	0.5462	0.0591	0.25	0.4425	0.6649
14.1545	6.0	3546	17.7267	0.1623	0.2977	0.1535	0.0455	0.1462	0.2393	0.2146	0.2838	0.3159	0.1342	0.2742	0.4229	0.0548	0.2349	0.0278	0.1779	0.3243	0.3862	0.0168	0.1902	0.2644	0.4574	0.0253	0.1542	0.4225	0.6105
13.8334	7.0	4137	17.8210	0.1634	0.3069	0.165	0.0649	0.1381	0.2378	0.2169	0.2836	0.32	0.1723	0.263	0.4299	0.0587	0.2259	0.0363	0.2047	0.3482	0.4264	0.0024	0.1523	0.2671	0.4602	0.0341	0.2111	0.3967	0.5596
13.6299	8.0	4728	17.8241	0.1493	0.2867	0.1425	0.0527	0.133	0.2169	0.1898	0.2625	0.307	0.1583	0.2537	0.4132	0.0733	0.2392	0.0303	0.2053	0.3389	0.4112	0.0019	0.1523	0.2564	0.4321	0.0294	0.204	0.3151	0.5053
13.3132	9.0	5319	18.3872	0.1404	0.2689	0.1421	0.0756	0.1164	0.2121	0.1814	0.249	0.2812	0.1588	0.2283	0.366	0.0425	0.2041	0.0398	0.1826	0.3299	0.3989	0.002	0.112	0.2364	0.4021	0.0135	0.1462	0.3185	0.5228
13.2014	10.0	5910	18.5692	0.1337	0.2527	0.1286	0.0544	0.1129	0.2106	0.1816	0.2403	0.2678	0.1421	0.2112	0.3659	0.0425	0.1425	0.0381	0.1805	0.3206	0.3808	0.0071	0.1687	0.1744	0.3395	0.0248	0.1663	0.328	0.4965
12.8205	11.0	6501	18.1347	0.1674	0.3078	0.1555	0.0762	0.1299	0.2459	0.223	0.2937	0.3265	0.1629	0.2647	0.4288	0.0783	0.2133	0.0391	0.2211	0.3569	0.416	0.0069	0.1659	0.2878	0.4786	0.0353	0.1887	0.3677	0.6018
12.6339	12.0	7092	19.0128	0.1247	0.246	0.1093	0.0496	0.1097	0.1955	0.1574	0.2035	0.2217	0.0965	0.1869	0.29	0.0183	0.0985	0.0274	0.1574	0.3019	0.3504	0.0005	0.0869	0.1753	0.2969	0.0117	0.0948	0.3375	0.4667
12.4423	13.0	7683	18.8381	0.1277	0.2505	0.1144	0.0849	0.1266	0.1923	0.1778	0.235	0.2588	0.1694	0.2306	0.3268	0.0195	0.1193	0.0504	0.1979	0.3533	0.4209	0.0012	0.1278	0.1403	0.2776	0.0187	0.1432	0.3106	0.5246
12.2991	14.0	8274	19.0234	0.1228	0.2338	0.1101	0.0614	0.116	0.1907	0.1684	0.2215	0.2415	0.1367	0.2066	0.3109	0.0313	0.1213	0.041	0.1879	0.3032	0.3605	0.0006	0.112	0.1593	0.2819	0.0138	0.0934	0.3103	0.5333
12.2121	15.0	8865	19.4475	0.1089	0.2059	0.0998	0.0468	0.0918	0.1818	0.1399	0.1803	0.1988	0.1112	0.1531	0.2661	0.01	0.0793	0.0147	0.1242	0.2872	0.3381	0.0004	0.0913	0.1155	0.2286	0.009	0.0776	0.3256	0.4526
11.9798	16.0	9456	19.3502	0.1048	0.1988	0.1031	0.0471	0.091	0.1549	0.1461	0.1956	0.2164	0.1288	0.1905	0.2721	0.0129	0.079	0.0287	0.1832	0.2843	0.3481	0.0006	0.097	0.1235	0.2407	0.0071	0.0844	0.2765	0.4825
11.7902	17.0	10047	19.3674	0.1078	0.1969	0.1042	0.0455	0.0934	0.172	0.1509	0.2007	0.2234	0.1192	0.1898	0.2875	0.0119	0.083	0.0216	0.1621	0.2806	0.3464	0.0008	0.1166	0.1467	0.2645	0.0097	0.1	0.2831	0.4912
11.691	18.0	10638	19.4521	0.1104	0.201	0.1075	0.0409	0.0941	0.1724	0.1571	0.2099	0.2338	0.1174	0.1886	0.3027	0.0188	0.103	0.0164	0.1742	0.2806	0.3513	0.0007	0.1131	0.1344	0.2707	0.0074	0.1083	0.3145	0.5158
11.5899	19.0	11229	19.4104	0.1066	0.2	0.0945	0.0434	0.0983	0.1539	0.1488	0.1981	0.217	0.1238	0.1839	0.2732	0.0117	0.0798	0.0198	0.1379	0.2865	0.3493	0.0005	0.0951	0.1328	0.2726	0.0073	0.0962	0.2879	0.4877
11.4701	20.0	11820	19.3719	0.1069	0.1963	0.0976	0.0428	0.1013	0.1629	0.1475	0.1998	0.2204	0.1209	0.1972	0.2704	0.0147	0.083	0.0141	0.1521	0.2902	0.3499	0.0005	0.1	0.1447	0.2717	0.0095	0.1005	0.2743	0.486

Framework versions

Transformers 4.52.4
Pytorch 2.6.0+cu124
Datasets 3.6.0
Tokenizers 0.21.1