square_run_second_vote_full_pic_50

This model is a fine-tuned version of google/vit-base-patch16-224 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 1.6568
• F1 Macro: 0.2803
• F1 Micro: 0.3939
• F1 Weighted: 0.3344
• Precision Macro: 0.3642
• Precision Micro: 0.3939
• Precision Weighted: 0.4123
• Recall Macro: 0.3362
• Recall Micro: 0.3939
• Recall Weighted: 0.3939
• Accuracy: 0.3939

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_BNB with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.1
• num_epochs: 30

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Macro	F1 Micro	F1 Weighted	Precision Macro	Precision Micro	Precision Weighted	Recall Macro	Recall Micro	Recall Weighted	Accuracy
1.8125	1.0	58	1.8594	0.1226	0.2121	0.1692	0.1180	0.2121	0.1586	0.1501	0.2121	0.2121	0.2121
1.8401	2.0	116	1.9425	0.0860	0.1742	0.1036	0.0668	0.1742	0.0824	0.1580	0.1742	0.1742	0.1742
1.7455	3.0	174	1.8949	0.1450	0.2424	0.1731	0.2634	0.2424	0.3029	0.1819	0.2424	0.2424	0.2424
1.8283	4.0	232	1.8868	0.0989	0.2121	0.1383	0.0794	0.2121	0.1089	0.1482	0.2121	0.2121	0.2121
1.729	5.0	290	1.8830	0.1271	0.1894	0.1496	0.1438	0.1894	0.1799	0.1663	0.1894	0.1894	0.1894
1.6643	6.0	348	1.8247	0.1450	0.2424	0.1852	0.1921	0.2424	0.2200	0.1749	0.2424	0.2424	0.2424
1.9317	7.0	406	1.8338	0.1470	0.1894	0.1785	0.1535	0.1894	0.1869	0.1574	0.1894	0.1894	0.1894
1.4753	8.0	464	1.7873	0.1617	0.2652	0.2071	0.1458	0.2652	0.1843	0.2046	0.2652	0.2652	0.2652
2.0844	9.0	522	1.8694	0.2562	0.3106	0.3029	0.2622	0.3106	0.3076	0.2610	0.3106	0.3106	0.3106
1.558	10.0	580	1.8684	0.2203	0.2803	0.2542	0.2140	0.2803	0.2502	0.2442	0.2803	0.2803	0.2803
1.6059	11.0	638	1.9295	0.2746	0.3182	0.3103	0.3107	0.3182	0.3453	0.2849	0.3182	0.3182	0.3182
1.0749	12.0	696	2.0512	0.2284	0.3182	0.2797	0.2882	0.3182	0.3204	0.2409	0.3182	0.3182	0.3182
1.5171	13.0	754	2.1976	0.2193	0.2955	0.2645	0.2698	0.2955	0.3064	0.2359	0.2955	0.2955	0.2955
0.6995	14.0	812	2.3271	0.2159	0.3030	0.2658	0.2928	0.3030	0.3244	0.2312	0.3030	0.3030	0.3030
1.2603	15.0	870	2.6123	0.2353	0.2727	0.2714	0.2778	0.2727	0.3214	0.2418	0.2727	0.2727	0.2727
0.6293	16.0	928	2.5967	0.1990	0.2576	0.2312	0.2149	0.2576	0.2568	0.2202	0.2576	0.2576	0.2576
0.3242	17.0	986	2.7596	0.2242	0.2727	0.2580	0.2423	0.2727	0.2818	0.2348	0.2727	0.2727	0.2727
0.6081	18.0	1044	2.8475	0.2060	0.25	0.2401	0.2329	0.25	0.2604	0.2054	0.25	0.25	0.25
0.3241	19.0	1102	3.1226	0.1989	0.25	0.2334	0.2199	0.25	0.2494	0.2033	0.25	0.25	0.25
0.1119	20.0	1160	3.1286	0.2302	0.2803	0.2653	0.2654	0.2803	0.2992	0.2332	0.2803	0.2803	0.2803
0.0946	21.0	1218	3.2789	0.2265	0.2955	0.2698	0.2472	0.2955	0.2835	0.2359	0.2955	0.2955	0.2955
0.0434	22.0	1276	3.2405	0.2357	0.2652	0.2666	0.2398	0.2652	0.2744	0.2360	0.2652	0.2652	0.2652
0.0926	23.0	1334	3.3668	0.2435	0.2955	0.2829	0.2650	0.2955	0.2973	0.2461	0.2955	0.2955	0.2955
0.1002	24.0	1392	3.4633	0.2105	0.2727	0.2544	0.2310	0.2727	0.2643	0.2149	0.2727	0.2727	0.2727
0.0602	25.0	1450	3.4614	0.2575	0.3030	0.2990	0.2662	0.3030	0.3027	0.2555	0.3030	0.3030	0.3030
0.0079	26.0	1508	3.7489	0.2416	0.2879	0.2764	0.2489	0.2879	0.2847	0.2503	0.2879	0.2879	0.2879
0.1364	27.0	1566	3.8018	0.2234	0.2727	0.2626	0.2312	0.2727	0.2655	0.2253	0.2727	0.2727	0.2727
0.0141	28.0	1624	3.7614	0.2435	0.2879	0.2816	0.2527	0.2879	0.2858	0.2437	0.2879	0.2879	0.2879
0.1638	29.0	1682	3.7921	0.2341	0.2803	0.2745	0.2423	0.2803	0.2795	0.2345	0.2803	0.2803	0.2803
0.0049	30.0	1740	3.7955	0.2345	0.2803	0.2743	0.2431	0.2803	0.2792	0.2345	0.2803	0.2803	0.2803

Framework versions

• Transformers 4.49.0
• Pytorch 2.6.0+cu124
• Datasets 3.3.1
• Tokenizers 0.21.0