cppe_finetuned_microsoft_detr

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: 1.0626
• Map: 0.3024
• Map 50: 0.5805
• Map 75: 0.267
• Map Small: 0.1176
• Map Medium: 0.2792
• Map Large: 0.4209
• Mar 1: 0.3265
• Mar 10: 0.4753
• Mar 100: 0.493
• Mar Small: 0.2999
• Mar Medium: 0.4328
• Mar Large: 0.5974
• Map Coverall: 0.6047
• Mar 100 Coverall: 0.7317
• Map Face Shield: 0.1945
• Mar 100 Face Shield: 0.4371
• Map Gloves: 0.2079
• Mar 100 Gloves: 0.3809
• Map Goggles: 0.1927
• Mar 100 Goggles: 0.4708
• Map Mask: 0.3121
• Mar 100 Mask: 0.4444

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: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• 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	107	1.2931	0.1555	0.3243	0.1314	0.0558	0.1632	0.1669	0.1937	0.3673	0.4018	0.195	0.365	0.4633	0.4548	0.6756	0.0363	0.2903	0.0701	0.3393	0.0442	0.3063	0.172	0.3974
No log	2.0	214	1.2610	0.1908	0.3986	0.1517	0.0879	0.1743	0.2192	0.2276	0.4023	0.4378	0.2142	0.3801	0.5356	0.5089	0.6861	0.0549	0.3403	0.0915	0.3764	0.0949	0.35	0.204	0.436
No log	3.0	321	1.2437	0.1857	0.385	0.1501	0.0685	0.1703	0.2282	0.2215	0.3818	0.4142	0.2441	0.3476	0.4908	0.5133	0.6906	0.0584	0.3145	0.0869	0.3348	0.0627	0.3104	0.2073	0.4206
No log	4.0	428	1.2333	0.1856	0.3823	0.1584	0.0645	0.1891	0.2458	0.2334	0.4016	0.435	0.2289	0.3904	0.5318	0.48	0.6717	0.0516	0.3597	0.0926	0.3449	0.0925	0.4021	0.2111	0.3968
1.2628	5.0	535	1.1888	0.2164	0.4411	0.1896	0.0945	0.2176	0.2803	0.2553	0.4269	0.458	0.2953	0.4162	0.5399	0.5172	0.6944	0.0615	0.4032	0.1291	0.3904	0.1075	0.3667	0.2666	0.4354
1.2628	6.0	642	1.2081	0.2176	0.4395	0.1929	0.1024	0.2072	0.2821	0.2459	0.4112	0.4422	0.2462	0.3919	0.5244	0.5461	0.6694	0.0926	0.3855	0.1002	0.3253	0.1061	0.4125	0.2431	0.4185
1.2628	7.0	749	1.1817	0.2211	0.4487	0.1808	0.1157	0.22	0.2853	0.2672	0.4291	0.4571	0.2933	0.4044	0.5384	0.5562	0.6983	0.114	0.3887	0.1202	0.3635	0.0768	0.3875	0.2384	0.4476
1.2628	8.0	856	1.1479	0.2366	0.4707	0.2	0.095	0.2234	0.3338	0.2812	0.4407	0.4614	0.2716	0.4098	0.5436	0.5626	0.7022	0.0875	0.4048	0.1459	0.3657	0.1235	0.4104	0.2632	0.4238
1.2628	9.0	963	1.1549	0.2368	0.489	0.1934	0.1169	0.2275	0.3217	0.2798	0.4324	0.4575	0.2512	0.4139	0.5355	0.5537	0.6856	0.1044	0.4	0.1528	0.3506	0.1268	0.4187	0.2465	0.4328
1.1288	10.0	1070	1.1305	0.2359	0.4874	0.1974	0.0855	0.2248	0.3196	0.2768	0.4554	0.4793	0.2871	0.4268	0.5719	0.563	0.7083	0.0903	0.4306	0.1509	0.368	0.0978	0.4542	0.2777	0.4354
1.1288	11.0	1177	1.1459	0.2407	0.4803	0.2174	0.115	0.2211	0.3336	0.2786	0.4438	0.471	0.2459	0.417	0.5717	0.5698	0.7156	0.1062	0.4258	0.1374	0.3461	0.139	0.4417	0.2511	0.4259
1.1288	12.0	1284	1.1289	0.2497	0.5027	0.2098	0.1368	0.2233	0.3492	0.2913	0.4496	0.4676	0.2719	0.3944	0.5732	0.5902	0.7117	0.1187	0.4145	0.1528	0.3478	0.1139	0.425	0.2729	0.4392
1.1288	13.0	1391	1.1266	0.2564	0.5143	0.2167	0.1368	0.2323	0.3596	0.296	0.4573	0.4824	0.2703	0.4183	0.6026	0.5731	0.7056	0.1374	0.4435	0.1614	0.3517	0.1354	0.4854	0.2745	0.4259
1.1288	14.0	1498	1.1110	0.2641	0.5054	0.2241	0.1242	0.2381	0.3797	0.3017	0.4593	0.4811	0.2946	0.422	0.5822	0.5887	0.7206	0.1489	0.4323	0.1551	0.35	0.1371	0.4563	0.2906	0.4466
1.0237	15.0	1605	1.0852	0.2788	0.5402	0.2488	0.1479	0.2432	0.3835	0.2996	0.4663	0.492	0.3137	0.4293	0.5889	0.5757	0.7133	0.1546	0.4419	0.1981	0.3972	0.1701	0.4688	0.2953	0.4386
1.0237	16.0	1712	1.0886	0.2768	0.5406	0.2381	0.1037	0.2503	0.3823	0.3031	0.4631	0.4878	0.292	0.431	0.5886	0.5799	0.715	0.1653	0.4435	0.2027	0.3916	0.1374	0.4458	0.2987	0.4429
1.0237	17.0	1819	1.0825	0.2755	0.5308	0.2419	0.1058	0.2549	0.3796	0.3094	0.4629	0.4839	0.261	0.433	0.5792	0.5822	0.7083	0.1686	0.421	0.1964	0.3837	0.1297	0.4583	0.3005	0.4481
1.0237	18.0	1926	1.0832	0.2878	0.5609	0.2468	0.1383	0.2599	0.4	0.3072	0.4664	0.4858	0.279	0.4257	0.6015	0.591	0.7139	0.1712	0.4177	0.2039	0.3848	0.1659	0.4771	0.307	0.4354
0.9398	19.0	2033	1.0871	0.283	0.5585	0.2483	0.1222	0.2519	0.4097	0.3143	0.4597	0.4822	0.2877	0.4131	0.5994	0.5798	0.7117	0.1882	0.4226	0.2148	0.386	0.1401	0.4479	0.2921	0.4429
0.9398	20.0	2140	1.0830	0.2926	0.5668	0.2684	0.1397	0.2659	0.4047	0.311	0.466	0.4844	0.2939	0.4176	0.5936	0.5834	0.7172	0.1957	0.4306	0.2104	0.3798	0.1691	0.45	0.3042	0.4444
0.9398	21.0	2247	1.0669	0.2973	0.5757	0.2692	0.134	0.2775	0.4069	0.3216	0.4725	0.494	0.2879	0.4342	0.5977	0.5851	0.7106	0.1966	0.4355	0.2185	0.3865	0.1791	0.4833	0.3072	0.454
0.9398	22.0	2354	1.0805	0.2894	0.5703	0.2566	0.1277	0.2651	0.421	0.3232	0.4695	0.4863	0.3147	0.4199	0.5961	0.5887	0.7194	0.1879	0.4403	0.2018	0.3646	0.1696	0.4667	0.2989	0.4402
0.9398	23.0	2461	1.0686	0.3071	0.5837	0.2746	0.1368	0.2735	0.4291	0.3296	0.4745	0.4905	0.303	0.4352	0.5913	0.6071	0.7344	0.1998	0.4468	0.2135	0.3736	0.2062	0.4563	0.3088	0.4413
0.8602	24.0	2568	1.0703	0.2993	0.5735	0.2705	0.1225	0.2744	0.4134	0.3201	0.4754	0.4916	0.3	0.4343	0.5966	0.6049	0.7378	0.1961	0.4387	0.2067	0.3787	0.1804	0.4667	0.3084	0.436
0.8602	25.0	2675	1.0672	0.3009	0.5742	0.2655	0.1273	0.2775	0.419	0.3263	0.4804	0.4989	0.3047	0.4422	0.5972	0.6047	0.7333	0.1898	0.4435	0.2015	0.3826	0.1979	0.4854	0.3104	0.4497
0.8602	26.0	2782	1.0661	0.3021	0.5755	0.268	0.1187	0.2731	0.4256	0.3241	0.4786	0.4935	0.3007	0.4297	0.6028	0.6021	0.725	0.1903	0.4387	0.2072	0.377	0.1982	0.475	0.3126	0.4519
0.8602	27.0	2889	1.0628	0.3009	0.5737	0.2665	0.1136	0.2778	0.42	0.3231	0.4755	0.493	0.2926	0.4344	0.5994	0.603	0.7289	0.1875	0.4403	0.2061	0.3826	0.1989	0.4708	0.3091	0.4423
0.8602	28.0	2996	1.0646	0.3031	0.579	0.2694	0.1169	0.2819	0.4205	0.3269	0.4762	0.4935	0.2948	0.4355	0.5975	0.6047	0.7317	0.1945	0.4435	0.21	0.3798	0.1918	0.4667	0.3144	0.446
0.8206	29.0	3103	1.0626	0.3031	0.5804	0.2679	0.1177	0.2792	0.4217	0.3266	0.4754	0.4929	0.2936	0.433	0.5982	0.605	0.7311	0.1945	0.4355	0.2076	0.382	0.1956	0.4708	0.3126	0.445
0.8206	30.0	3210	1.0626	0.3024	0.5805	0.267	0.1176	0.2792	0.4209	0.3265	0.4753	0.493	0.2999	0.4328	0.5974	0.6047	0.7317	0.1945	0.4371	0.2079	0.3809	0.1927	0.4708	0.3121	0.4444

Framework versions

• Transformers 4.51.3
• Pytorch 2.6.0+cu124
• Datasets 3.6.0
• Tokenizers 0.21.1