conditional-detr-resnet-50_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: 1.0625
• Map: 0.2889
• Map 50: 0.5213
• Map 75: 0.2755
• Map Small: 0.1022
• Map Medium: 0.229
• Map Large: 0.4272
• Mar 1: 0.3222
• Mar 10: 0.4831
• Mar 100: 0.5016
• Mar Small: 0.2614
• Mar Medium: 0.4179
• Mar Large: 0.6587
• Map Coverall: 0.5718
• Mar 100 Coverall: 0.6954
• Map Face Shield: 0.2333
• Mar 100 Face Shield: 0.4986
• Map Gloves: 0.2051
• Mar 100 Gloves: 0.4271
• Map Goggles: 0.1597
• Mar 100 Goggles: 0.4629
• Map Mask: 0.2745
• Mar 100 Mask: 0.4239

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
1.9147	1.0	106	1.8194	0.018	0.0388	0.0143	0.0021	0.0124	0.0239	0.0327	0.0914	0.1369	0.0511	0.1158	0.1784	0.066	0.2723	0.0016	0.0141	0.002	0.1633	0.0	0.0242	0.0204	0.2105
1.7779	2.0	212	1.6795	0.0258	0.0566	0.0213	0.0028	0.0269	0.045	0.0581	0.1398	0.2003	0.0736	0.1451	0.276	0.0948	0.4672	0.0018	0.0183	0.0034	0.2156	0.0	0.0161	0.0288	0.2842
1.5384	3.0	318	1.5198	0.0564	0.1102	0.0497	0.011	0.0461	0.0728	0.1032	0.2112	0.2611	0.0954	0.19	0.3563	0.1985	0.5672	0.0195	0.0803	0.006	0.2704	0.0026	0.0452	0.0554	0.3426
1.4396	4.0	424	1.4693	0.068	0.1268	0.0605	0.0083	0.0559	0.0844	0.1045	0.2328	0.2914	0.0959	0.2147	0.3865	0.2221	0.6308	0.0243	0.1169	0.0062	0.2503	0.0022	0.0887	0.0854	0.3703
1.346	5.0	530	1.3865	0.1092	0.211	0.0886	0.0299	0.0947	0.1306	0.147	0.3056	0.3498	0.1688	0.2721	0.4676	0.3744	0.6385	0.0243	0.2676	0.0141	0.299	0.017	0.1774	0.1161	0.3665
1.4945	6.0	636	1.3785	0.1192	0.2391	0.1004	0.0284	0.1022	0.14	0.1468	0.3166	0.3547	0.1625	0.2961	0.468	0.4067	0.6149	0.0358	0.269	0.0376	0.3347	0.0148	0.2032	0.1011	0.3517
1.3374	7.0	742	1.3494	0.1227	0.2446	0.1104	0.0224	0.0971	0.1504	0.1771	0.3492	0.3849	0.1914	0.3082	0.5158	0.4317	0.619	0.0343	0.3535	0.0329	0.3397	0.009	0.2403	0.1056	0.3718
1.2146	8.0	848	1.2911	0.1438	0.2789	0.1279	0.07	0.1074	0.2004	0.1887	0.3793	0.4099	0.2098	0.3261	0.5631	0.4433	0.6128	0.0426	0.369	0.073	0.3935	0.0302	0.2903	0.1298	0.3837
1.2948	9.0	954	1.2916	0.142	0.2761	0.1166	0.0521	0.1147	0.1801	0.1982	0.3779	0.4107	0.1976	0.3197	0.5616	0.4229	0.6103	0.0509	0.3718	0.0672	0.3935	0.0368	0.2871	0.1321	0.3909
1.2078	10.0	1060	1.2753	0.1507	0.3144	0.1235	0.0328	0.1191	0.2269	0.2093	0.3851	0.4132	0.1723	0.332	0.5746	0.4389	0.6256	0.0735	0.369	0.0662	0.3714	0.0271	0.3177	0.1477	0.3823
1.2587	11.0	1166	1.2508	0.1734	0.3524	0.1442	0.0515	0.1426	0.2446	0.2113	0.3937	0.4257	0.1954	0.3409	0.5844	0.463	0.6436	0.0627	0.3859	0.1096	0.3799	0.0553	0.3387	0.1762	0.3804
1.1698	12.0	1272	1.1786	0.2005	0.3877	0.1683	0.1016	0.1568	0.2834	0.238	0.424	0.4521	0.2352	0.3716	0.5995	0.506	0.6631	0.1129	0.4676	0.1215	0.4095	0.0575	0.3081	0.2048	0.412
1.2067	13.0	1378	1.2097	0.1984	0.387	0.1682	0.0614	0.1482	0.2911	0.229	0.4181	0.4454	0.217	0.3519	0.6179	0.5025	0.6697	0.103	0.4366	0.1196	0.3899	0.0618	0.3565	0.205	0.3742
1.0912	14.0	1484	1.1591	0.2216	0.419	0.2006	0.0819	0.1857	0.3055	0.2625	0.4402	0.4714	0.2437	0.3902	0.615	0.5025	0.6759	0.1505	0.469	0.13	0.4055	0.083	0.3887	0.2422	0.4177
1.0154	15.0	1590	1.1474	0.2306	0.4327	0.2099	0.1035	0.1847	0.333	0.2706	0.4434	0.4683	0.2241	0.3922	0.6141	0.5212	0.6672	0.159	0.4718	0.1442	0.3935	0.0876	0.3935	0.2411	0.4153
1.0772	16.0	1696	1.1345	0.2388	0.4498	0.2175	0.1053	0.1906	0.3505	0.2811	0.4483	0.4791	0.2289	0.3974	0.6313	0.5251	0.6692	0.1643	0.4845	0.1485	0.4131	0.1073	0.4194	0.2489	0.4096
0.9185	17.0	1802	1.1253	0.2409	0.4471	0.2173	0.1159	0.1991	0.3476	0.279	0.4538	0.4783	0.253	0.4055	0.6226	0.5242	0.6559	0.1469	0.4606	0.1676	0.4211	0.1137	0.429	0.2523	0.4249
1.0736	18.0	1908	1.1187	0.2507	0.4656	0.2378	0.1003	0.2144	0.3554	0.2878	0.4592	0.4858	0.2265	0.426	0.6152	0.5353	0.6785	0.1635	0.4606	0.1699	0.4387	0.1412	0.4339	0.2437	0.4172
1.0021	19.0	2014	1.0987	0.2608	0.4736	0.2522	0.1262	0.2172	0.3734	0.2981	0.4526	0.4809	0.237	0.4049	0.6321	0.5396	0.6713	0.1529	0.4803	0.1888	0.4201	0.1616	0.421	0.2611	0.412
1.0613	20.0	2120	1.1144	0.2563	0.4785	0.2276	0.0917	0.2102	0.3691	0.2895	0.4472	0.4732	0.2493	0.3923	0.6189	0.5421	0.6621	0.1623	0.4521	0.1872	0.4317	0.1383	0.4145	0.2515	0.4057
1.0576	21.0	2226	1.0888	0.2827	0.5059	0.271	0.1041	0.2359	0.4061	0.3106	0.4658	0.4922	0.2639	0.4076	0.6432	0.5516	0.6831	0.2145	0.5056	0.1897	0.4276	0.1896	0.4274	0.2678	0.4172
0.8949	22.0	2332	1.0893	0.2762	0.5078	0.2489	0.1207	0.2241	0.4014	0.3038	0.4662	0.489	0.2413	0.4026	0.6519	0.5583	0.6856	0.1908	0.4789	0.2028	0.4226	0.1652	0.4403	0.2635	0.4177
1.0853	23.0	2438	1.0747	0.275	0.501	0.2602	0.1144	0.2267	0.3966	0.3049	0.4722	0.4958	0.2632	0.412	0.646	0.5569	0.6908	0.1743	0.493	0.202	0.4281	0.1771	0.4581	0.2649	0.4091
1.0098	24.0	2544	1.0623	0.28	0.5081	0.263	0.1136	0.2199	0.4101	0.311	0.479	0.5011	0.2629	0.4175	0.653	0.5705	0.6949	0.2057	0.5014	0.2023	0.4256	0.1551	0.4613	0.2665	0.4225
0.8466	25.0	2650	1.0682	0.2862	0.514	0.2748	0.105	0.2306	0.4217	0.3173	0.4813	0.5009	0.2669	0.4195	0.6565	0.5691	0.6944	0.221	0.4972	0.2088	0.4241	0.1613	0.4645	0.271	0.4244
0.9067	26.0	2756	1.0638	0.2881	0.5225	0.276	0.1085	0.2309	0.4219	0.3183	0.4802	0.4991	0.2475	0.4205	0.6539	0.5723	0.6938	0.232	0.4944	0.2051	0.4246	0.158	0.4597	0.2734	0.423
0.8462	27.0	2862	1.0629	0.288	0.5182	0.2679	0.1013	0.2252	0.4272	0.3191	0.4807	0.5004	0.261	0.4176	0.6546	0.57	0.6933	0.2337	0.4986	0.2057	0.4286	0.158	0.4565	0.2728	0.4249
0.8771	28.0	2968	1.0642	0.2901	0.524	0.2781	0.1028	0.2299	0.4267	0.3215	0.4821	0.5009	0.2603	0.4192	0.6555	0.5725	0.6949	0.2346	0.4972	0.2055	0.4251	0.1634	0.4629	0.2744	0.4244
0.8022	29.0	3074	1.0626	0.2885	0.5212	0.2758	0.1017	0.229	0.427	0.322	0.4829	0.5013	0.2589	0.4183	0.6588	0.5718	0.6959	0.2309	0.4972	0.206	0.4276	0.1595	0.4613	0.2744	0.4244
0.8245	30.0	3180	1.0625	0.2889	0.5213	0.2755	0.1022	0.229	0.4272	0.3222	0.4831	0.5016	0.2614	0.4179	0.6587	0.5718	0.6954	0.2333	0.4986	0.2051	0.4271	0.1597	0.4629	0.2745	0.4239

Framework versions

• Transformers 4.52.4
• Pytorch 2.6.0+cu124
• Datasets 3.6.0
• Tokenizers 0.21.2