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: 1.2034
• Map: 0.2192
• Map 50: 0.4298
• Map 75: 0.1923
• Map Small: 0.0677
• Map Medium: 0.1739
• Map Large: 0.3381
• Mar 1: 0.2636
• Mar 10: 0.4234
• Mar 100: 0.4497
• Mar Small: 0.1919
• Mar Medium: 0.39
• Mar Large: 0.6217
• Map Coverall: 0.4982
• Mar 100 Coverall: 0.6387
• Map Face Shield: 0.0954
• Mar 100 Face Shield: 0.4722
• Map Gloves: 0.1506
• Mar 100 Gloves: 0.3777
• Map Goggles: 0.081
• Mar 100 Goggles: 0.3646
• Map Mask: 0.2708
• Mar 100 Mask: 0.3951

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_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	1.7116	0.0274	0.0694	0.0194	0.0074	0.0217	0.0451	0.0499	0.1412	0.1925	0.0723	0.1381	0.2663	0.1103	0.4419	0.0	0.0013	0.0033	0.1875	0.0041	0.0754	0.0191	0.2564
No log	2.0	214	1.6186	0.0398	0.0934	0.0306	0.0222	0.0377	0.0547	0.1063	0.1982	0.2517	0.1077	0.1918	0.3492	0.1036	0.5437	0.0072	0.1316	0.0091	0.2071	0.016	0.0892	0.0633	0.2867
No log	3.0	321	1.5486	0.0512	0.11	0.0438	0.028	0.056	0.0715	0.1395	0.2594	0.3078	0.1268	0.2369	0.4292	0.1043	0.5788	0.0277	0.2203	0.0075	0.2098	0.043	0.2262	0.0735	0.304
No log	4.0	428	1.5472	0.0533	0.137	0.0337	0.0291	0.0638	0.0747	0.1133	0.2629	0.3105	0.1571	0.2495	0.4174	0.111	0.5405	0.0503	0.243	0.0149	0.2545	0.023	0.1969	0.0672	0.3173
1.5074	5.0	535	1.5760	0.0619	0.155	0.0432	0.0109	0.0605	0.1039	0.1361	0.2843	0.3224	0.0894	0.2421	0.4874	0.1516	0.5743	0.0452	0.3025	0.0229	0.2504	0.0253	0.2138	0.0645	0.2707
1.5074	6.0	642	1.4846	0.1036	0.2392	0.0797	0.0173	0.0873	0.1585	0.1569	0.3032	0.3376	0.1247	0.2939	0.4495	0.3186	0.5554	0.0552	0.2962	0.027	0.2786	0.0121	0.2169	0.1049	0.3409
1.5074	7.0	749	1.4449	0.1159	0.2606	0.0914	0.0252	0.0881	0.1749	0.1706	0.317	0.3526	0.1509	0.2933	0.4943	0.3608	0.5964	0.0381	0.3354	0.0236	0.2496	0.0208	0.2385	0.1364	0.3431
1.5074	8.0	856	1.4081	0.1336	0.3052	0.107	0.0416	0.0942	0.205	0.1776	0.3424	0.3707	0.1576	0.3024	0.5316	0.4067	0.6014	0.0421	0.3886	0.0556	0.2826	0.0226	0.2554	0.1411	0.3253
1.5074	9.0	963	1.3705	0.148	0.3213	0.1258	0.0293	0.1222	0.2178	0.1901	0.3571	0.3876	0.15	0.3371	0.5387	0.4213	0.6167	0.0594	0.4038	0.0612	0.2987	0.0259	0.2631	0.1722	0.3556
1.3013	10.0	1070	1.3602	0.1584	0.3305	0.1346	0.0362	0.1133	0.2399	0.1931	0.3557	0.3856	0.1857	0.3283	0.5278	0.4279	0.5986	0.0611	0.4	0.074	0.3107	0.0332	0.2738	0.1957	0.3449
1.3013	11.0	1177	1.3725	0.1593	0.3379	0.1367	0.0275	0.1189	0.247	0.1978	0.3466	0.3802	0.1397	0.3249	0.5352	0.4371	0.5982	0.0656	0.3772	0.087	0.3076	0.0274	0.2677	0.1794	0.3502
1.3013	12.0	1284	1.3000	0.1717	0.3617	0.1475	0.0379	0.1348	0.2565	0.214	0.3735	0.4053	0.1488	0.3598	0.5573	0.442	0.6041	0.0662	0.4241	0.0943	0.3286	0.0344	0.3	0.2216	0.3698
1.3013	13.0	1391	1.3342	0.1776	0.3737	0.1515	0.0374	0.1422	0.2722	0.2179	0.3591	0.3903	0.1164	0.3231	0.5675	0.4434	0.6131	0.0634	0.3975	0.1087	0.3196	0.0449	0.2615	0.2277	0.3596
1.3013	14.0	1498	1.2838	0.1807	0.3793	0.1569	0.0459	0.1462	0.2794	0.2256	0.3762	0.4115	0.181	0.3605	0.5631	0.4564	0.6225	0.0725	0.4038	0.1028	0.3429	0.054	0.3338	0.2177	0.3547
1.1477	15.0	1605	1.2723	0.1896	0.3918	0.1608	0.0399	0.1511	0.2894	0.2338	0.3942	0.4205	0.1894	0.3634	0.5764	0.456	0.6135	0.08	0.4278	0.1099	0.3397	0.0798	0.3446	0.2223	0.3769
1.1477	16.0	1712	1.2764	0.1858	0.376	0.1629	0.0409	0.149	0.2947	0.2254	0.3894	0.4239	0.2129	0.3751	0.5601	0.4561	0.6104	0.0759	0.4405	0.1123	0.3545	0.0616	0.3569	0.2234	0.3573
1.1477	17.0	1819	1.2602	0.1971	0.3992	0.1724	0.056	0.1717	0.2941	0.2393	0.4011	0.4286	0.1736	0.3831	0.5859	0.4613	0.6203	0.0834	0.4595	0.1347	0.3554	0.0525	0.3308	0.2534	0.3773
1.1477	18.0	1926	1.2624	0.1952	0.4039	0.1659	0.0567	0.1611	0.3026	0.24	0.3957	0.424	0.165	0.3847	0.5785	0.4667	0.618	0.0704	0.4696	0.1359	0.3598	0.0546	0.3154	0.2484	0.3573
1.0398	19.0	2033	1.2619	0.1921	0.3923	0.1678	0.0608	0.1556	0.3026	0.2384	0.3965	0.4246	0.1644	0.3761	0.5746	0.4525	0.6135	0.0848	0.4519	0.1217	0.3518	0.0623	0.3354	0.2393	0.3702
1.0398	20.0	2140	1.2340	0.2006	0.3944	0.1743	0.0616	0.1617	0.3124	0.237	0.4062	0.4328	0.1581	0.3849	0.599	0.4722	0.6225	0.0849	0.481	0.1327	0.3643	0.0525	0.3169	0.2607	0.3791
1.0398	21.0	2247	1.2209	0.205	0.4153	0.1748	0.046	0.1674	0.3206	0.2484	0.412	0.4407	0.1765	0.3841	0.6157	0.4871	0.6477	0.0893	0.4608	0.139	0.3692	0.0573	0.3431	0.2524	0.3827
1.0398	22.0	2354	1.2334	0.2075	0.4077	0.1805	0.0508	0.1694	0.3203	0.2509	0.4121	0.4438	0.1916	0.3892	0.612	0.486	0.6432	0.095	0.4835	0.138	0.3661	0.0597	0.3462	0.2588	0.38
1.0398	23.0	2461	1.2315	0.2112	0.4138	0.19	0.0549	0.1696	0.3282	0.2544	0.4133	0.4432	0.1927	0.3934	0.6124	0.4846	0.6459	0.0886	0.4785	0.1476	0.3705	0.0693	0.3338	0.2658	0.3871
0.9646	24.0	2568	1.2137	0.2125	0.4179	0.1841	0.054	0.1706	0.3298	0.2585	0.4158	0.4453	0.2018	0.3908	0.6063	0.4918	0.636	0.0887	0.4747	0.1446	0.3737	0.0767	0.3646	0.2608	0.3773
0.9646	25.0	2675	1.1987	0.2179	0.4262	0.1897	0.0685	0.1749	0.3361	0.2586	0.423	0.4512	0.2017	0.3953	0.624	0.4925	0.6392	0.0945	0.4684	0.1535	0.3799	0.0802	0.3723	0.2686	0.3964
0.9646	26.0	2782	1.2014	0.2193	0.4297	0.1938	0.0579	0.1756	0.3351	0.2626	0.4229	0.4498	0.1946	0.3907	0.6245	0.4939	0.6419	0.0942	0.4696	0.1526	0.3763	0.0798	0.3615	0.2761	0.3996
0.9646	27.0	2889	1.2045	0.2168	0.4253	0.1893	0.0571	0.1732	0.333	0.2651	0.4243	0.4501	0.1874	0.3917	0.6238	0.4938	0.6428	0.0915	0.4709	0.1489	0.3772	0.0803	0.3646	0.2696	0.3951
0.9646	28.0	2996	1.2055	0.2187	0.4276	0.1923	0.0683	0.1726	0.3369	0.2633	0.4242	0.45	0.1887	0.391	0.6225	0.4973	0.6383	0.0925	0.4696	0.1511	0.3795	0.0812	0.3646	0.2713	0.3978
0.9147	29.0	3103	1.2039	0.2191	0.4296	0.1923	0.0677	0.1742	0.3382	0.2638	0.4232	0.4499	0.1884	0.3904	0.6226	0.4974	0.6392	0.0952	0.4709	0.1506	0.3781	0.0812	0.3646	0.2713	0.3964
0.9147	30.0	3210	1.2034	0.2192	0.4298	0.1923	0.0677	0.1739	0.3381	0.2636	0.4234	0.4497	0.1919	0.39	0.6217	0.4982	0.6387	0.0954	0.4722	0.1506	0.3777	0.081	0.3646	0.2708	0.3951

Framework versions

• Transformers 5.0.0
• Pytorch 2.10.0+cu128
• Datasets 4.0.0
• Tokenizers 0.22.2