Hugging Face's logo

amSOwO
/
detr_finetuned_cppe5

Object Detection
Transformers
TensorBoard
Safetensors
conditional_detr
Generated from Trainer
Model card Files
xet
 Metrics Community
detr_finetuned_cppe5 / README.md
amSOwO's picture
amSOwO
End of training
8b5a08d verified
preview code
|
raw
history blame
12.7 kB
metadata 
library_name: transformers
license: apache-2.0
base_model: microsoft/conditional-detr-resnet-50
tags:
  - generated_from_trainer
model-index:
  - name: detr_finetuned_cppe5
    results: []

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: 1.2104
  • Map: 0.2196
  • Map 50: 0.4356
  • Map 75: 0.188
  • Map Small: 0.0612
  • Map Medium: 0.171
  • Map Large: 0.329
  • Mar 1: 0.2502
  • Mar 10: 0.4112
  • Mar 100: 0.4367
  • Mar Small: 0.1848
  • Mar Medium: 0.3804
  • Mar Large: 0.6025
  • Map Coverall: 0.4813
  • Mar 100 Coverall: 0.6212
  • Map Face Shield: 0.1332
  • Mar 100 Face Shield: 0.4506
  • Map Gloves: 0.1463
  • Mar 100 Gloves: 0.3647
  • Map Goggles: 0.0995
  • Mar 100 Goggles: 0.3523
  • Map Mask: 0.2377
  • Mar 100 Mask: 0.3947

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: 0.0001
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED 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 2.0315 0.0165 0.0436 0.0104 0.0023 0.0079 0.0265 0.0334 0.0864 0.1169 0.0399 0.0793 0.181 0.0583 0.2405 0.0038 0.0494 0.0025 0.1522 0.0 0.0 0.0179 0.1422
No log 2.0 214 2.2366 0.0044 0.0176 0.0013 0.0016 0.0055 0.0094 0.0167 0.0616 0.0858 0.024 0.0953 0.1012 0.0045 0.1198 0.0034 0.0899 0.0006 0.054 0.0006 0.0046 0.013 0.1609
No log 3.0 321 1.8060 0.0264 0.0605 0.0222 0.0059 0.0294 0.029 0.0567 0.1329 0.1814 0.0609 0.1167 0.2592 0.0924 0.4739 0.0053 0.062 0.0032 0.133 0.0003 0.0031 0.0305 0.2351
No log 4.0 428 1.7634 0.0346 0.0796 0.0268 0.0086 0.0327 0.0393 0.0812 0.1752 0.2054 0.0939 0.1558 0.2369 0.1179 0.4527 0.0153 0.2278 0.0031 0.1174 0.0005 0.0246 0.0363 0.2044
2.5211 5.0 535 1.6345 0.045 0.1153 0.0336 0.0076 0.0427 0.0531 0.0818 0.1939 0.2483 0.0982 0.179 0.3275 0.1687 0.5405 0.0259 0.2228 0.004 0.1888 0.0014 0.0692 0.025 0.22
2.5211 6.0 642 1.5649 0.0655 0.161 0.0507 0.0099 0.0602 0.09 0.1084 0.2515 0.287 0.1106 0.2183 0.3845 0.2197 0.5757 0.0358 0.2747 0.0145 0.1857 0.0026 0.1369 0.0548 0.2618
2.5211 7.0 749 1.5948 0.0845 0.2049 0.0633 0.0269 0.0742 0.0995 0.1297 0.2626 0.2992 0.1088 0.2235 0.4293 0.2717 0.5743 0.0459 0.2734 0.0163 0.2062 0.0079 0.1785 0.0805 0.2636
2.5211 8.0 856 1.5967 0.0919 0.2207 0.0707 0.0167 0.0633 0.1232 0.1217 0.2607 0.2909 0.0852 0.235 0.4226 0.3033 0.5194 0.034 0.2544 0.0215 0.2308 0.0119 0.1723 0.0887 0.2778
2.5211 9.0 963 1.4514 0.1109 0.2538 0.0845 0.0411 0.0777 0.1563 0.1422 0.3009 0.3289 0.1791 0.2695 0.446 0.3386 0.5432 0.071 0.3544 0.0471 0.2562 0.0088 0.16 0.089 0.3307
1.4523 10.0 1070 1.4644 0.1133 0.2619 0.0875 0.0273 0.0882 0.1606 0.1461 0.3134 0.3443 0.1686 0.2875 0.4779 0.3493 0.5441 0.0458 0.3418 0.0312 0.2612 0.0294 0.2738 0.1106 0.3004
1.4523 11.0 1177 1.4809 0.1275 0.2867 0.1025 0.0281 0.0897 0.1935 0.1579 0.321 0.3499 0.1611 0.277 0.4931 0.351 0.5509 0.06 0.3633 0.0392 0.2446 0.0435 0.2462 0.1438 0.3444
1.4523 12.0 1284 1.3664 0.1275 0.2856 0.1075 0.0271 0.0913 0.1987 0.1684 0.3425 0.3685 0.1711 0.2964 0.5251 0.3792 0.5743 0.0735 0.3873 0.0572 0.2906 0.0123 0.2431 0.1154 0.3471
1.4523 13.0 1391 1.3664 0.1526 0.3248 0.1317 0.0353 0.1067 0.2337 0.1812 0.3475 0.3781 0.1792 0.3069 0.5293 0.4254 0.5937 0.0769 0.3911 0.0681 0.3013 0.035 0.2538 0.1574 0.3507
1.4523 14.0 1498 1.3835 0.151 0.3341 0.1152 0.0286 0.1038 0.2345 0.1763 0.3344 0.3599 0.1439 0.2864 0.5153 0.4127 0.5932 0.091 0.3481 0.066 0.2759 0.0391 0.2354 0.1464 0.3467
1.276 15.0 1605 1.3411 0.1543 0.335 0.1298 0.0292 0.1057 0.2407 0.183 0.3381 0.3701 0.1465 0.3124 0.5277 0.4324 0.605 0.088 0.3671 0.0771 0.2857 0.0228 0.2585 0.1515 0.3342
1.276 16.0 1712 1.2893 0.1661 0.3537 0.133 0.0342 0.1156 0.2717 0.1948 0.3721 0.4002 0.1815 0.3359 0.5539 0.454 0.6095 0.0686 0.3873 0.0894 0.3192 0.0365 0.3123 0.1823 0.3729
1.276 17.0 1819 1.2780 0.1755 0.3802 0.1453 0.0373 0.1345 0.2636 0.2135 0.3861 0.4123 0.1981 0.3469 0.5757 0.4376 0.609 0.0986 0.4203 0.0941 0.3424 0.0588 0.3169 0.1884 0.3729
1.276 18.0 1926 1.2497 0.1847 0.3934 0.1655 0.0461 0.1455 0.2714 0.2171 0.3867 0.4139 0.1944 0.3529 0.5756 0.4483 0.6036 0.1029 0.4329 0.11 0.3375 0.0513 0.3154 0.2112 0.38
1.1271 19.0 2033 1.2770 0.1816 0.3797 0.1593 0.0439 0.1411 0.2703 0.2128 0.3874 0.4184 0.2093 0.3576 0.5749 0.4459 0.605 0.0961 0.4304 0.0994 0.3277 0.0591 0.3508 0.2078 0.3782
1.1271 20.0 2140 1.2571 0.1942 0.3991 0.1714 0.0551 0.1523 0.293 0.2153 0.3873 0.4114 0.169 0.3529 0.5763 0.4696 0.6239 0.1069 0.4127 0.1192 0.3424 0.0523 0.3108 0.2229 0.3671
1.1271 21.0 2247 1.2282 0.2044 0.4048 0.1707 0.0499 0.1545 0.3103 0.2349 0.3961 0.4282 0.1929 0.3695 0.5866 0.4778 0.6257 0.1088 0.4304 0.12 0.3549 0.0889 0.3231 0.2264 0.4071
1.1271 22.0 2354 1.2395 0.2017 0.4202 0.1791 0.0511 0.1581 0.3156 0.2329 0.3961 0.4245 0.2095 0.3691 0.5774 0.4595 0.6077 0.1162 0.4456 0.125 0.3473 0.0944 0.3477 0.2134 0.3742
1.1271 23.0 2461 1.2307 0.2147 0.4289 0.1954 0.0565 0.1687 0.3282 0.2424 0.4024 0.4304 0.197 0.3702 0.5957 0.4719 0.6167 0.1274 0.4392 0.1368 0.3527 0.1057 0.3492 0.2317 0.3942
1.0136 24.0 2568 1.2164 0.2162 0.4366 0.1905 0.059 0.1676 0.3325 0.2435 0.4075 0.4355 0.1878 0.3812 0.5951 0.4729 0.6243 0.1291 0.4342 0.1433 0.3643 0.102 0.3585 0.234 0.3964
1.0136 25.0 2675 1.2099 0.2199 0.4399 0.1918 0.064 0.1717 0.3337 0.2482 0.4094 0.4356 0.1865 0.3821 0.5947 0.4834 0.6315 0.1333 0.443 0.141 0.3554 0.1059 0.3538 0.2359 0.3942
1.0136 26.0 2782 1.2123 0.2161 0.4387 0.186 0.0618 0.1664 0.3262 0.2468 0.4108 0.4358 0.1817 0.3803 0.599 0.4759 0.6243 0.1314 0.4506 0.1421 0.3567 0.0978 0.3431 0.2332 0.4044
1.0136 27.0 2889 1.2133 0.217 0.4372 0.1832 0.0612 0.1665 0.3297 0.2473 0.4104 0.4363 0.1845 0.3771 0.6027 0.4812 0.6185 0.1362 0.4506 0.1442 0.3634 0.0917 0.3554 0.2317 0.3938
1.0136 28.0 2996 1.2098 0.2195 0.4411 0.1871 0.06 0.1716 0.3288 0.2476 0.4124 0.4377 0.1818 0.3807 0.6065 0.48 0.6185 0.134 0.4557 0.1452 0.3603 0.0996 0.3554 0.2385 0.3987
0.9389 29.0 3103 1.2105 0.2195 0.4354 0.1875 0.061 0.1712 0.3295 0.2504 0.4115 0.436 0.1845 0.3805 0.6004 0.4809 0.6212 0.1317 0.4481 0.1469 0.3638 0.1004 0.3523 0.2374 0.3947
0.9389 30.0 3210 1.2104 0.2196 0.4356 0.188 0.0612 0.171 0.329 0.2502 0.4112 0.4367 0.1848 0.3804 0.6025 0.4813 0.6212 0.1332 0.4506 0.1463 0.3647 0.0995 0.3523 0.2377 0.3947

Framework versions

  • Transformers 4.55.4
  • Pytorch 2.8.0+cu126
  • Datasets 4.0.0
  • Tokenizers 0.21.4