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: 1.1505
• Map: 0.2397
• Map 50: 0.4842
• Map 75: 0.2145
• Map Small: 0.0771
• Map Medium: 0.1892
• Map Large: 0.3666
• Mar 1: 0.2729
• Mar 10: 0.4204
• Mar 100: 0.4418
• Mar Small: 0.1732
• Mar Medium: 0.3953
• Mar Large: 0.6037
• Map Coverall: 0.5417
• Mar 100 Coverall: 0.6581
• Map Face Shield: 0.1556
• Mar 100 Face Shield: 0.4253
• Map Gloves: 0.1615
• Mar 100 Gloves: 0.3464
• Map Goggles: 0.0883
• Mar 100 Goggles: 0.3831
• Map Mask: 0.2513
• Mar 100 Mask: 0.396

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	1.9254	0.0089	0.0292	0.0041	0.0076	0.0056	0.0152	0.0283	0.1434	0.1834	0.1216	0.1419	0.2288	0.021	0.3333	0.0041	0.138	0.0023	0.1237	0.0008	0.0646	0.0163	0.2573
No log	2.0	214	1.7315	0.0316	0.0824	0.0217	0.0064	0.0117	0.0431	0.0674	0.1563	0.2029	0.0736	0.137	0.2704	0.1228	0.4757	0.0142	0.0797	0.0036	0.1656	0.0012	0.0308	0.0164	0.2627
No log	3.0	321	1.6433	0.0295	0.0741	0.0226	0.0058	0.0264	0.0369	0.0783	0.1926	0.2497	0.0829	0.1988	0.3205	0.0975	0.5032	0.0078	0.1772	0.0044	0.192	0.0019	0.0923	0.0358	0.284
No log	4.0	428	1.5178	0.0511	0.1239	0.0353	0.0198	0.0536	0.067	0.1029	0.223	0.2837	0.1222	0.2297	0.3573	0.1569	0.6212	0.0298	0.1848	0.0053	0.217	0.0067	0.0508	0.0567	0.3449
2.3097	5.0	535	1.4526	0.0713	0.1539	0.0603	0.0169	0.0549	0.089	0.1343	0.277	0.3258	0.1162	0.268	0.4345	0.2458	0.6248	0.0208	0.2405	0.0144	0.2906	0.0139	0.1292	0.0617	0.344
2.3097	6.0	642	1.5010	0.0801	0.1644	0.0688	0.0056	0.0541	0.0964	0.1051	0.249	0.295	0.1058	0.2399	0.3782	0.3258	0.6401	0.0106	0.1873	0.0087	0.2219	0.0063	0.1169	0.0494	0.3089
2.3097	7.0	749	1.4414	0.1159	0.248	0.1043	0.0213	0.0832	0.1497	0.1409	0.3233	0.3544	0.1386	0.285	0.5048	0.401	0.6419	0.0515	0.3228	0.024	0.2634	0.0076	0.1954	0.0954	0.3484
2.3097	8.0	856	1.3548	0.1377	0.2836	0.1153	0.0262	0.1127	0.1769	0.1715	0.3524	0.3806	0.1773	0.3246	0.5433	0.4279	0.6063	0.0503	0.3291	0.0598	0.3241	0.0244	0.2769	0.126	0.3667
2.3097	9.0	963	1.3714	0.1387	0.3026	0.1118	0.0471	0.1076	0.1801	0.1768	0.3338	0.3622	0.1575	0.3076	0.4957	0.4347	0.6207	0.0763	0.3405	0.0557	0.2812	0.0108	0.2338	0.1161	0.3347
1.266	10.0	1070	1.3475	0.147	0.3108	0.1229	0.054	0.1173	0.2096	0.1726	0.3343	0.3685	0.1741	0.3064	0.5156	0.4417	0.6054	0.0569	0.319	0.0784	0.3071	0.0236	0.2646	0.1343	0.3462
1.266	11.0	1177	1.3020	0.1686	0.3368	0.1441	0.0417	0.1373	0.2309	0.196	0.3778	0.4038	0.1531	0.3567	0.5621	0.4751	0.6387	0.0649	0.3861	0.0861	0.3192	0.0425	0.2938	0.1745	0.3813
1.266	12.0	1284	1.2834	0.1783	0.3679	0.1553	0.0602	0.1293	0.2556	0.2056	0.3728	0.4095	0.1542	0.3621	0.5692	0.4902	0.6356	0.0793	0.4152	0.1067	0.3027	0.0312	0.3231	0.1842	0.3711
1.266	13.0	1391	1.2809	0.1884	0.3905	0.1642	0.0763	0.1413	0.2712	0.2209	0.3812	0.4131	0.149	0.3702	0.5711	0.5076	0.6514	0.1031	0.4241	0.1121	0.3152	0.0267	0.3138	0.1927	0.3609
1.266	14.0	1498	1.2472	0.2063	0.4264	0.1738	0.0719	0.165	0.2975	0.2314	0.392	0.4239	0.1678	0.3819	0.5731	0.5065	0.6468	0.1438	0.443	0.1169	0.3321	0.0456	0.3185	0.2188	0.3791
1.1184	15.0	1605	1.2362	0.1995	0.4184	0.1744	0.0717	0.1504	0.3102	0.2327	0.3969	0.4225	0.1598	0.3799	0.5834	0.5193	0.6414	0.1235	0.4139	0.1171	0.3237	0.0365	0.3631	0.201	0.3702
1.1184	16.0	1712	1.2272	0.2058	0.4247	0.1817	0.0802	0.1523	0.3163	0.2416	0.4039	0.4325	0.1692	0.381	0.6015	0.5089	0.6514	0.1292	0.4456	0.1208	0.3366	0.0421	0.3431	0.2278	0.3858
1.1184	17.0	1819	1.2129	0.2126	0.4398	0.1768	0.0687	0.1595	0.3418	0.2568	0.4052	0.4281	0.1488	0.3755	0.5999	0.5196	0.6505	0.1524	0.4405	0.1173	0.3179	0.0507	0.3492	0.2228	0.3822
1.1184	18.0	1926	1.1863	0.2217	0.4585	0.1855	0.0758	0.1655	0.3558	0.2671	0.418	0.4418	0.1641	0.3919	0.6083	0.5137	0.6491	0.1634	0.4608	0.1441	0.3326	0.0524	0.3631	0.2348	0.4036
0.9987	19.0	2033	1.1810	0.2248	0.4596	0.1896	0.085	0.1722	0.3442	0.2613	0.4204	0.441	0.1612	0.3939	0.6136	0.5193	0.6541	0.1567	0.4405	0.1443	0.3335	0.0503	0.3708	0.2533	0.4062
0.9987	20.0	2140	1.1736	0.2239	0.4592	0.1928	0.0785	0.1673	0.351	0.265	0.4142	0.4379	0.1884	0.3805	0.6085	0.5237	0.65	0.1457	0.4342	0.1585	0.3415	0.0583	0.3785	0.2332	0.3853
0.9987	21.0	2247	1.1634	0.2311	0.4658	0.2071	0.0757	0.1792	0.3625	0.2713	0.4179	0.4377	0.1625	0.3869	0.6066	0.5357	0.6572	0.1398	0.4241	0.1576	0.342	0.0803	0.3631	0.2423	0.4022
0.9987	22.0	2354	1.1715	0.2264	0.4584	0.2126	0.0775	0.179	0.3555	0.2674	0.4136	0.4337	0.1694	0.3896	0.5918	0.5298	0.65	0.1425	0.4165	0.1609	0.3442	0.0645	0.3662	0.2341	0.3916
0.9987	23.0	2461	1.1680	0.2304	0.4713	0.2057	0.0824	0.1768	0.3583	0.2659	0.4208	0.4387	0.1748	0.3881	0.6052	0.538	0.6545	0.1487	0.4329	0.1599	0.3353	0.0588	0.3831	0.2468	0.3876
0.9095	24.0	2568	1.1550	0.2405	0.4887	0.2174	0.0799	0.1828	0.3681	0.2698	0.4198	0.4399	0.1723	0.39	0.602	0.5444	0.659	0.1684	0.4241	0.1645	0.3411	0.0824	0.3877	0.2428	0.3876
0.9095	25.0	2675	1.1538	0.2397	0.488	0.2138	0.0792	0.1892	0.3626	0.273	0.423	0.4439	0.1731	0.3978	0.6037	0.5364	0.6581	0.1658	0.4392	0.1641	0.3433	0.0838	0.3846	0.2486	0.3942
0.9095	26.0	2782	1.1572	0.2427	0.4879	0.2162	0.0775	0.1905	0.3668	0.2728	0.4217	0.4414	0.1622	0.3959	0.6015	0.5404	0.6577	0.1703	0.4329	0.1614	0.342	0.091	0.38	0.2502	0.3942
0.9095	27.0	2889	1.1502	0.239	0.4833	0.2093	0.075	0.1866	0.3686	0.2698	0.4184	0.4403	0.1693	0.3919	0.6056	0.5419	0.6581	0.1542	0.4165	0.1592	0.3455	0.0893	0.3831	0.2506	0.3982
0.9095	28.0	2996	1.1521	0.2399	0.4842	0.2118	0.0775	0.1882	0.3694	0.2705	0.4206	0.4436	0.1705	0.3977	0.6073	0.5412	0.6577	0.1545	0.4241	0.1615	0.3464	0.0909	0.3923	0.2516	0.3973
0.858	29.0	3103	1.1511	0.2399	0.4839	0.2146	0.0767	0.1895	0.3676	0.2732	0.4208	0.4422	0.1726	0.3959	0.6043	0.5422	0.6586	0.1557	0.4253	0.1618	0.3469	0.0886	0.3846	0.2512	0.3956
0.858	30.0	3210	1.1505	0.2397	0.4842	0.2145	0.0771	0.1892	0.3666	0.2729	0.4204	0.4418	0.1732	0.3953	0.6037	0.5417	0.6581	0.1556	0.4253	0.1615	0.3464	0.0883	0.3831	0.2513	0.396

Framework versions

• Transformers 4.51.3
• Pytorch 2.4.1+cu118
• Datasets 3.5.0
• Tokenizers 0.21.1