Hugging Face's logo

sam1120
/
parking-terrain_marks

Image Segmentation
Transformers
PyTorch
TensorBoard
segformer
vision
Generated from Trainer
Model card Files
xet
Metrics Community
1
sam1120 commited on
Commit
d79df03
·
1 Parent(s): 7365850

update model card README.md

Browse files
Files changed (1) hide show
  1. README.md +187 -0
README.md ADDED
@@ -0,0 +1,187 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ license: other
3
+ tags:
4
+ - generated_from_trainer
5
+ model-index:
6
+ - name: parking-terrain_marks
7
+ results: []
8
+ ---
9
+
10
+ <!-- This model card has been generated automatically according to the information the Trainer had access to. You
11
+ should probably proofread and complete it, then remove this comment. -->
12
+
13
+ # parking-terrain_marks
14
+
15
+ This model is a fine-tuned version of [nvidia/mit-b5](https://huggingface.co/nvidia/mit-b5) on the None dataset.
16
+ It achieves the following results on the evaluation set:
17
+ - Loss: 0.0863
18
+ - Mean Iou: 0.4942
19
+ - Mean Accuracy: 0.5
20
+ - Overall Accuracy: 0.9884
21
+ - Accuracy Unlabeled: nan
22
+ - Accuracy Parking Lines: 0.0
23
+ - Accuracy X: nan
24
+ - Accuracy Else: 1.0
25
+ - Iou Unlabeled: nan
26
+ - Iou Parking Lines: 0.0
27
+ - Iou X: nan
28
+ - Iou Else: 0.9884
29
+
30
+ ## Model description
31
+
32
+ More information needed
33
+
34
+ ## Intended uses & limitations
35
+
36
+ More information needed
37
+
38
+ ## Training and evaluation data
39
+
40
+ More information needed
41
+
42
+ ## Training procedure
43
+
44
+ ### Training hyperparameters
45
+
46
+ The following hyperparameters were used during training:
47
+ - learning_rate: 5e-05
48
+ - train_batch_size: 16
49
+ - eval_batch_size: 16
50
+ - seed: 42
51
+ - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
52
+ - lr_scheduler_type: linear
53
+ - lr_scheduler_warmup_ratio: 0.05
54
+ - num_epochs: 600
55
+
56
+ ### Training results
57
+
58
+ | Training Loss | Epoch | Step | Validation Loss | Mean Iou | Mean Accuracy | Overall Accuracy | Accuracy Unlabeled | Accuracy Parking Lines | Accuracy X | Accuracy Else | Iou Unlabeled | Iou Parking Lines | Iou X | Iou Else |
59
+ |:-------------:|:-----:|:----:|:---------------:|:--------:|:-------------:|:----------------:|:------------------:|:----------------------:|:----------:|:-------------:|:-------------:|:-----------------:|:-----:|:--------:|
60
+ | 1.2973 | 5.0 | 20 | 1.2461 | 0.1512 | 0.5627 | 0.5883 | nan | 0.5364 | nan | 0.5889 | 0.0 | 0.0186 | 0.0 | 0.5860 |
61
+ | 0.9991 | 10.0 | 40 | 0.8866 | 0.2256 | 0.4644 | 0.8974 | nan | 0.0211 | nan | 0.9077 | 0.0 | 0.0037 | 0.0 | 0.8985 |
62
+ | 0.5964 | 15.0 | 60 | 0.4795 | 0.3290 | 0.4992 | 0.9869 | nan | 0.0 | nan | 0.9985 | nan | 0.0 | 0.0 | 0.9869 |
63
+ | 0.3788 | 20.0 | 80 | 0.2324 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
64
+ | 0.1288 | 25.0 | 100 | 0.1424 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
65
+ | 0.066 | 30.0 | 120 | 0.0909 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
66
+ | 0.0716 | 35.0 | 140 | 0.0799 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
67
+ | 0.0448 | 40.0 | 160 | 0.0792 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
68
+ | 0.0281 | 45.0 | 180 | 0.0698 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
69
+ | 0.0279 | 50.0 | 200 | 0.0695 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
70
+ | 0.0306 | 55.0 | 220 | 0.0679 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
71
+ | 0.0245 | 60.0 | 240 | 0.0683 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
72
+ | 0.0196 | 65.0 | 260 | 0.0676 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
73
+ | 0.0267 | 70.0 | 280 | 0.0661 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
74
+ | 0.0192 | 75.0 | 300 | 0.0672 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
75
+ | 0.0207 | 80.0 | 320 | 0.0697 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
76
+ | 0.0168 | 85.0 | 340 | 0.0692 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
77
+ | 0.0114 | 90.0 | 360 | 0.0676 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
78
+ | 0.014 | 95.0 | 380 | 0.0669 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
79
+ | 0.0147 | 100.0 | 400 | 0.0687 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
80
+ | 0.0101 | 105.0 | 420 | 0.0681 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
81
+ | 0.0118 | 110.0 | 440 | 0.0664 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
82
+ | 0.0111 | 115.0 | 460 | 0.0690 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
83
+ | 0.0088 | 120.0 | 480 | 0.0704 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
84
+ | 0.0116 | 125.0 | 500 | 0.0694 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
85
+ | 0.011 | 130.0 | 520 | 0.0677 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
86
+ | 0.0128 | 135.0 | 540 | 0.0703 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
87
+ | 0.0101 | 140.0 | 560 | 0.0706 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
88
+ | 0.0096 | 145.0 | 580 | 0.0674 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
89
+ | 0.0125 | 150.0 | 600 | 0.0725 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
90
+ | 0.0073 | 155.0 | 620 | 0.0709 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
91
+ | 0.0104 | 160.0 | 640 | 0.0716 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
92
+ | 0.0085 | 165.0 | 660 | 0.0727 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
93
+ | 0.008 | 170.0 | 680 | 0.0749 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
94
+ | 0.0088 | 175.0 | 700 | 0.0774 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
95
+ | 0.0076 | 180.0 | 720 | 0.0761 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
96
+ | 0.0069 | 185.0 | 740 | 0.0748 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
97
+ | 0.0059 | 190.0 | 760 | 0.0745 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
98
+ | 0.0092 | 195.0 | 780 | 0.0758 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
99
+ | 0.0081 | 200.0 | 800 | 0.0784 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
100
+ | 0.0078 | 205.0 | 820 | 0.0749 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
101
+ | 0.0054 | 210.0 | 840 | 0.0758 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
102
+ | 0.0094 | 215.0 | 860 | 0.0772 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
103
+ | 0.0072 | 220.0 | 880 | 0.0765 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
104
+ | 0.008 | 225.0 | 900 | 0.0775 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
105
+ | 0.0064 | 230.0 | 920 | 0.0797 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
106
+ | 0.0063 | 235.0 | 940 | 0.0734 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
107
+ | 0.0096 | 240.0 | 960 | 0.0778 | 0.4949 | 0.5007 | 0.9884 | nan | 0.0013 | nan | 1.0 | nan | 0.0013 | nan | 0.9884 |
108
+ | 0.0066 | 245.0 | 980 | 0.0740 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
109
+ | 0.0061 | 250.0 | 1000 | 0.0652 | 0.4944 | 0.5002 | 0.9884 | nan | 0.0003 | nan | 1.0 | nan | 0.0003 | nan | 0.9884 |
110
+ | 0.0066 | 255.0 | 1020 | 0.0721 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
111
+ | 0.0076 | 260.0 | 1040 | 0.0690 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
112
+ | 0.0065 | 265.0 | 1060 | 0.0702 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
113
+ | 0.0065 | 270.0 | 1080 | 0.0718 | 0.4944 | 0.5002 | 0.9884 | nan | 0.0003 | nan | 1.0 | nan | 0.0003 | nan | 0.9884 |
114
+ | 0.0061 | 275.0 | 1100 | 0.0732 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
115
+ | 0.0064 | 280.0 | 1120 | 0.0737 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
116
+ | 0.0056 | 285.0 | 1140 | 0.0714 | 0.4945 | 0.5003 | 0.9884 | nan | 0.0007 | nan | 1.0 | nan | 0.0007 | nan | 0.9884 |
117
+ | 0.0053 | 290.0 | 1160 | 0.0754 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
118
+ | 0.0055 | 295.0 | 1180 | 0.0751 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
119
+ | 0.0068 | 300.0 | 1200 | 0.0754 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
120
+ | 0.0053 | 305.0 | 1220 | 0.0723 | 0.4952 | 0.5010 | 0.9884 | nan | 0.0020 | nan | 1.0 | nan | 0.0020 | nan | 0.9884 |
121
+ | 0.0053 | 310.0 | 1240 | 0.0767 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
122
+ | 0.0045 | 315.0 | 1260 | 0.0767 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
123
+ | 0.007 | 320.0 | 1280 | 0.0750 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
124
+ | 0.005 | 325.0 | 1300 | 0.0777 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
125
+ | 0.0053 | 330.0 | 1320 | 0.0762 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
126
+ | 0.0049 | 335.0 | 1340 | 0.0782 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
127
+ | 0.006 | 340.0 | 1360 | 0.0770 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
128
+ | 0.0066 | 345.0 | 1380 | 0.0787 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
129
+ | 0.0049 | 350.0 | 1400 | 0.0765 | 0.4944 | 0.5002 | 0.9884 | nan | 0.0003 | nan | 1.0 | nan | 0.0003 | nan | 0.9884 |
130
+ | 0.0067 | 355.0 | 1420 | 0.0672 | 0.5030 | 0.5087 | 0.9886 | nan | 0.0175 | nan | 1.0 | nan | 0.0175 | nan | 0.9886 |
131
+ | 0.0036 | 360.0 | 1440 | 0.0778 | 0.4949 | 0.5007 | 0.9884 | nan | 0.0013 | nan | 1.0 | nan | 0.0013 | nan | 0.9884 |
132
+ | 0.0045 | 365.0 | 1460 | 0.0762 | 0.4950 | 0.5008 | 0.9884 | nan | 0.0016 | nan | 1.0 | nan | 0.0016 | nan | 0.9884 |
133
+ | 0.006 | 370.0 | 1480 | 0.0763 | 0.4952 | 0.5010 | 0.9884 | nan | 0.0020 | nan | 1.0 | nan | 0.0020 | nan | 0.9884 |
134
+ | 0.006 | 375.0 | 1500 | 0.0757 | 0.4967 | 0.5025 | 0.9885 | nan | 0.0049 | nan | 1.0 | nan | 0.0049 | nan | 0.9885 |
135
+ | 0.0043 | 380.0 | 1520 | 0.0800 | 0.4950 | 0.5008 | 0.9884 | nan | 0.0016 | nan | 1.0 | nan | 0.0016 | nan | 0.9884 |
136
+ | 0.0057 | 385.0 | 1540 | 0.0790 | 0.4950 | 0.5008 | 0.9884 | nan | 0.0016 | nan | 1.0 | nan | 0.0016 | nan | 0.9884 |
137
+ | 0.0061 | 390.0 | 1560 | 0.0814 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
138
+ | 0.0041 | 395.0 | 1580 | 0.0811 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
139
+ | 0.0038 | 400.0 | 1600 | 0.0792 | 0.4945 | 0.5003 | 0.9884 | nan | 0.0007 | nan | 1.0 | nan | 0.0007 | nan | 0.9884 |
140
+ | 0.0047 | 405.0 | 1620 | 0.0816 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
141
+ | 0.0051 | 410.0 | 1640 | 0.0821 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
142
+ | 0.0035 | 415.0 | 1660 | 0.0804 | 0.4944 | 0.5002 | 0.9884 | nan | 0.0003 | nan | 1.0 | nan | 0.0003 | nan | 0.9884 |
143
+ | 0.0053 | 420.0 | 1680 | 0.0826 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
144
+ | 0.0052 | 425.0 | 1700 | 0.0806 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
145
+ | 0.0037 | 430.0 | 1720 | 0.0824 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
146
+ | 0.0045 | 435.0 | 1740 | 0.0839 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
147
+ | 0.0049 | 440.0 | 1760 | 0.0836 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
148
+ | 0.0036 | 445.0 | 1780 | 0.0826 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
149
+ | 0.0036 | 450.0 | 1800 | 0.0845 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
150
+ | 0.004 | 455.0 | 1820 | 0.0840 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
151
+ | 0.0048 | 460.0 | 1840 | 0.0839 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
152
+ | 0.0044 | 465.0 | 1860 | 0.0853 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
153
+ | 0.004 | 470.0 | 1880 | 0.0854 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
154
+ | 0.0051 | 475.0 | 1900 | 0.0852 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
155
+ | 0.0049 | 480.0 | 1920 | 0.0851 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
156
+ | 0.0048 | 485.0 | 1940 | 0.0854 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
157
+ | 0.0045 | 490.0 | 1960 | 0.0849 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
158
+ | 0.0043 | 495.0 | 1980 | 0.0858 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
159
+ | 0.0038 | 500.0 | 2000 | 0.0853 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
160
+ | 0.0044 | 505.0 | 2020 | 0.0857 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
161
+ | 0.0036 | 510.0 | 2040 | 0.0849 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
162
+ | 0.0038 | 515.0 | 2060 | 0.0845 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
163
+ | 0.0047 | 520.0 | 2080 | 0.0851 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
164
+ | 0.0045 | 525.0 | 2100 | 0.0851 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
165
+ | 0.0056 | 530.0 | 2120 | 0.0851 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
166
+ | 0.0041 | 535.0 | 2140 | 0.0859 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
167
+ | 0.004 | 540.0 | 2160 | 0.0867 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
168
+ | 0.0054 | 545.0 | 2180 | 0.0862 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
169
+ | 0.0047 | 550.0 | 2200 | 0.0873 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
170
+ | 0.0048 | 555.0 | 2220 | 0.0869 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
171
+ | 0.0045 | 560.0 | 2240 | 0.0865 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
172
+ | 0.0049 | 565.0 | 2260 | 0.0861 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
173
+ | 0.005 | 570.0 | 2280 | 0.0856 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
174
+ | 0.0043 | 575.0 | 2300 | 0.0855 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
175
+ | 0.0031 | 580.0 | 2320 | 0.0866 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
176
+ | 0.0033 | 585.0 | 2340 | 0.0872 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
177
+ | 0.0046 | 590.0 | 2360 | 0.0865 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
178
+ | 0.0051 | 595.0 | 2380 | 0.0862 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
179
+ | 0.0047 | 600.0 | 2400 | 0.0863 | 0.4942 | 0.5 | 0.9884 | nan | 0.0 | nan | 1.0 | nan | 0.0 | nan | 0.9884 |
180
+
181
+
182
+ ### Framework versions
183
+
184
+ - Transformers 4.30.2
185
+ - Pytorch 2.0.1+cu117
186
+ - Datasets 2.13.1
187
+ - Tokenizers 0.13.3