yolo_finetuned_wgisd

This model is a fine-tuned version of hustvl/yolos-tiny on the None dataset. It achieves the following results on the evaluation set:

• Loss: 1.5781
• Map: 0.1826
• Map 50: 0.4487
• Map 75: 0.1019
• Map Small: -1.0
• Map Medium: 0.0507
• Map Large: 0.1919
• Mar 1: 0.0354
• Mar 10: 0.2079
• Mar 100: 0.4059
• Mar Small: -1.0
• Mar Medium: 0.1163
• Mar Large: 0.4267
• Map Cdy: 0.2154
• Mar 100 Cdy: 0.3965
• Map Cfr: 0.1416
• Mar 100 Cfr: 0.3533
• Map Csv: 0.1836
• Mar 100 Csv: 0.4545
• Map Svb: 0.134
• Mar 100 Svb: 0.3547
• Map Syh: 0.2383
• Mar 100 Syh: 0.4706

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: 20
• mixed_precision_training: Native AMP

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 Cdy	Mar 100 Cdy	Map Cfr	Mar 100 Cfr	Map Csv	Mar 100 Csv	Map Svb	Mar 100 Svb	Map Syh	Mar 100 Syh
No log	1.0	30	2.9312	0.0024	0.0091	0.0008	-1.0	0.0004	0.0028	0.0022	0.0129	0.0577	-1.0	0.0062	0.067	0.0002	0.0013	0.0	0.0	0.0	0.0	0.0119	0.2874	0.0	0.0
No log	2.0	60	2.7269	0.0172	0.0514	0.0071	-1.0	0.0029	0.0188	0.0069	0.0371	0.0973	-1.0	0.0159	0.1081	0.0274	0.0868	0.0074	0.0491	0.0028	0.0479	0.0366	0.2921	0.0119	0.0106
No log	3.0	90	2.5250	0.0393	0.114	0.0217	-1.0	0.0093	0.0421	0.0164	0.0677	0.2028	-1.0	0.0256	0.2202	0.0501	0.2232	0.0515	0.3042	0.0514	0.2752	0.0342	0.1984	0.0093	0.0129
No log	4.0	120	2.2467	0.0592	0.1588	0.0345	-1.0	0.0134	0.0633	0.0259	0.1013	0.2982	-1.0	0.0475	0.3203	0.0636	0.3482	0.0503	0.3321	0.0783	0.3504	0.0607	0.3247	0.0432	0.1353
No log	5.0	150	2.0398	0.0715	0.1827	0.0443	-1.0	0.0218	0.076	0.0223	0.1161	0.3766	-1.0	0.1057	0.3975	0.0796	0.3614	0.0563	0.3709	0.0629	0.4008	0.0628	0.3216	0.096	0.4282
No log	6.0	180	1.9089	0.0788	0.2054	0.0536	-1.0	0.0139	0.0835	0.0278	0.1183	0.3896	-1.0	0.1061	0.4117	0.0872	0.3759	0.0533	0.357	0.0803	0.405	0.0744	0.3537	0.099	0.4565
No log	7.0	210	1.9004	0.0896	0.2294	0.0583	-1.0	0.0155	0.0951	0.0245	0.1378	0.3727	-1.0	0.091	0.3934	0.0982	0.3654	0.0634	0.3206	0.1016	0.3901	0.0744	0.3226	0.1105	0.4647
No log	8.0	240	1.8023	0.0908	0.2307	0.0604	-1.0	0.0163	0.0961	0.0238	0.1305	0.381	-1.0	0.1231	0.4019	0.1128	0.3974	0.0671	0.343	0.0773	0.3884	0.0829	0.3316	0.1137	0.4447
No log	9.0	270	1.7617	0.0969	0.252	0.0628	-1.0	0.043	0.1024	0.0273	0.1291	0.3936	-1.0	0.0932	0.4166	0.1145	0.3737	0.0824	0.3497	0.0916	0.4355	0.0872	0.3458	0.1087	0.4635
No log	10.0	300	1.7286	0.1145	0.2898	0.0766	-1.0	0.0317	0.1212	0.0258	0.1483	0.3841	-1.0	0.0888	0.4053	0.1322	0.3754	0.0937	0.3255	0.1032	0.424	0.1012	0.3521	0.1421	0.4435
No log	11.0	330	1.7106	0.1289	0.3235	0.08	-1.0	0.0377	0.1361	0.0271	0.1687	0.389	-1.0	0.1189	0.4096	0.1495	0.368	0.0985	0.343	0.1408	0.438	0.1102	0.3511	0.1457	0.4447
No log	12.0	360	1.6403	0.1434	0.3637	0.088	-1.0	0.043	0.1513	0.0336	0.1817	0.393	-1.0	0.1139	0.4132	0.1852	0.3912	0.1173	0.3521	0.1489	0.4248	0.1165	0.3547	0.149	0.4424
No log	13.0	390	1.6225	0.1558	0.3814	0.1031	-1.0	0.0469	0.1642	0.0317	0.1895	0.4075	-1.0	0.1058	0.4286	0.184	0.3939	0.121	0.3521	0.1668	0.4636	0.1249	0.3584	0.1824	0.4694
No log	14.0	420	1.6077	0.1662	0.4108	0.0971	-1.0	0.0389	0.175	0.0323	0.1975	0.4007	-1.0	0.1093	0.4204	0.1926	0.3939	0.1285	0.3461	0.1764	0.4479	0.1225	0.3463	0.2109	0.4694
No log	15.0	450	1.5907	0.1738	0.4287	0.1069	-1.0	0.0436	0.1833	0.0341	0.2031	0.4113	-1.0	0.1298	0.4317	0.2077	0.3956	0.1436	0.3624	0.1713	0.4711	0.1281	0.3589	0.2183	0.4682
No log	16.0	480	1.5930	0.1769	0.4399	0.1002	-1.0	0.0469	0.1866	0.0342	0.2095	0.3992	-1.0	0.1127	0.4189	0.2084	0.3978	0.1357	0.3473	0.183	0.4554	0.1298	0.3416	0.2273	0.4541
1.9239	17.0	510	1.5810	0.1773	0.4362	0.1035	-1.0	0.0456	0.1871	0.033	0.2098	0.3993	-1.0	0.115	0.4196	0.2114	0.3956	0.1406	0.3521	0.182	0.4496	0.1273	0.3426	0.2251	0.4565
1.9239	18.0	540	1.5768	0.1808	0.4479	0.1025	-1.0	0.0472	0.1904	0.0332	0.2091	0.4057	-1.0	0.1027	0.4268	0.2143	0.3961	0.1404	0.3527	0.1847	0.4504	0.1303	0.3553	0.2345	0.4741
1.9239	19.0	570	1.5786	0.1818	0.4488	0.1005	-1.0	0.0489	0.1911	0.0351	0.2073	0.4052	-1.0	0.1154	0.426	0.2139	0.3939	0.1409	0.3515	0.1834	0.4545	0.1335	0.3553	0.2371	0.4706
1.9239	20.0	600	1.5781	0.1826	0.4487	0.1019	-1.0	0.0507	0.1919	0.0354	0.2079	0.4059	-1.0	0.1163	0.4267	0.2154	0.3965	0.1416	0.3533	0.1836	0.4545	0.134	0.3547	0.2383	0.4706

Framework versions

• Transformers 4.57.6
• Pytorch 2.10.0+cu128
• Datasets 4.0.0
• Tokenizers 0.22.2