Push model using huggingface_hub.

311417d verified 3 months ago

308 kB

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: |2-
       (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Persil Waschmittel () [TextView|View] | 16WLx1,04kg, verschiedene Sorten () [TextView|View] | Coupon bereits aktiviert () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Freixenet () [TextView|View] | 6 x 0,7l, verschiedene Sorten () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Whiskas Pouch () [TextView|View] | verschiedene Sorten, 12 x 85g () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View]

      [SELECTED START]

       (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Freixenet () [TextView|View] | 6 x 0,7l, verschiedene Sorten () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Whiskas Pouch () [TextView|View] | verschiedene Sorten, 12 x 85g () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Ramazzotti () [TextView|View] | 0,70l () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Schwartau Fruchtaufstriche () [TextView|View] | diverse Sorten () [TextView|View]
      [CONTEXT SEPARATOR]
       (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Freixenet () [TextView|View] | 6 x 0,7l, verschiedene Sorten () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Whiskas Pouch () [TextView|View] | verschiedene Sorten, 12 x 85g () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Ramazzotti () [TextView|View] | 0,70l () [TextView|View] | Coupon bereits aktiviert () [TextView|View] | APP Preis () [TextView|View] |  (Coupon Image) [View|View] | Gültig bis 27.12.2025 () [TextView|View] | Schwartau Fruchtaufstriche () [TextView|View] | diverse Sorten () [TextView|View]
  - text: |-
      Ja, sehr! () [TextView|SubActivity]

      [SELECTED START]

      Prospekt () [TextView|SubActivity] | 1 / 12 () [TextView|SubActivity]
      [CONTEXT SEPARATOR]
      Prospekt () [TextView|SubActivity] | 1 / 12 () [TextView|SubActivity]
  - text: >-
      Dein Aktionscode () [TextView|View] | Was steckt hinter deinem Code? Jetzt
      eingeben und Vorteil entdecken () [TextView|View] | Code eingeben ()
      [EditText|View] | Überprüfen () [TextView|View] | Die Teilnahmebedingungen
      unserer Aktionen findest du u.a. auf den Werbematerialien zur Aktion.
      Weitere Informationen entnimmst du bitte unseren Nutzungsbedingungen. ()
      [TextView|View] | So funktionieren Aktionscodes () [TextView|View] | Du
      registrierst dich für ein Kundenkonto bei EDEKA. So kannst du unsere
      Coupons und Angebote nutzen. () [TextView|View] | Gib einen gültigen
      Aktionscode in das Eingabefeld ein. () [TextView|View] | Wähle einen Markt
      in dem du deinen Aktionscode einlösen willst. () [TextView|View] | Warum
      einen Markt auswählen? () [TextView|View] | Weil nicht alle Märkte an
      jeder Aktion teilnehmen. () [TextView|View]


      [SELECTED START]


      24.08. - 18.10.2025 () [TextView|View] | Tierischer Sammelspaß mit
      schleich® und WWF! () [TextView|View] | Noch 5 Treuepunkte zum
      Prämien-Sonderpreis. () [TextView|View] | Pro 5 Euro Einkaufswert gibt es
      einen Treuepunkt. () [TextView|View] | 07.09. - 05.10.2025 ()
      [TextView|View] | Deine Treue wird belohnt - einfach punkten und sparen!
      () [TextView|View] | Noch 15 Treuepunkte zum Prämien-Sonderpreis. ()
      [TextView|View] | Für je 20€ Einkaufwert erhälst du einen Treuepunkt ()
      [TextView|View] |  (EDEKA Logo) [ImageView|View] | EDEKA Schöck ()
      [TextView|View] |  (Pfeil nach unten) [View|View] | MT () [TextView|View]
      |  (Start) [View|View] | Start () [TextView|View] |  (Sparen) [View|View]
      | Sparen () [TextView|View] | Kasse () [TextView|View] |  (Prämien)
      [View|View] | Prämien () [TextView|View] |  (Einkaufsliste) [View|View] |
      Einkaufsliste () [TextView|View] |  (Kasse) [View|View]

      [CONTEXT SEPARATOR]

      24.08. - 18.10.2025 () [TextView|View] | Tierischer Sammelspaß mit
      schleich® und WWF! () [TextView|View] | Noch 5 Treuepunkte zum
      Prämien-Sonderpreis. () [TextView|View] | Pro 5 Euro Einkaufswert gibt es
      einen Treuepunkt. () [TextView|View] | 07.09. - 05.10.2025 ()
      [TextView|View] | Deine Treue wird belohnt - einfach punkten und sparen!
      () [TextView|View] | Noch 15 Treuepunkte zum Prämien-Sonderpreis. ()
      [TextView|View] | Für je 20€ Einkaufwert erhälst du einen Treuepunkt ()
      [TextView|View] |  (EDEKA Logo) [ImageView|View] | EDEKA Schöck ()
      [TextView|View] |  (Pfeil nach unten) [View|View] | MT () [TextView|View]
      |  (Start) [View|View] | Start () [TextView|View] |  (Sparen) [View|View]
      | Sparen () [TextView|View] | Kasse () [TextView|View] |  (Prämien)
      [View|View] | Prämien () [TextView|View] |  (Einkaufsliste) [View|View] |
      Einkaufsliste () [TextView|View] |  (Kasse) [View|View]
  - text: >-
      Einstellungen () [TextView|MainActivity] | Weitere Funktionen ()
      [TextView|MainActivity] | Marktsuche () [TextView|MainActivity] |
      Aktionscodes () [TextView|MainActivity] | Rückverfolgung ()
      [TextView|MainActivity] | Hilfe & Feedback () [TextView|MainActivity] |
      Hilfe & FAQ () [TextView|MainActivity] | Kontakt ()
      [TextView|MainActivity] | App bewerten () [TextView|MainActivity] |
      Weitere Informationen () [TextView|MainActivity] | Datenschutzhinweise ()
      [TextView|MainActivity] | Nutzungsbedingungen () [TextView|MainActivity] |
      Impressum () [TextView|MainActivity]


      [SELECTED START]


      Einstellungen () [TextView|MainActivity] | Weitere Funktionen ()
      [TextView|MainActivity] | Marktsuche () [TextView|MainActivity] |
      Aktionscodes () [TextView|MainActivity] | Rückverfolgung ()
      [TextView|MainActivity] | Hilfe & Feedback () [TextView|MainActivity] |
      Hilfe & FAQ () [TextView|MainActivity]

      [CONTEXT SEPARATOR]

      Einstellungen () [TextView|MainActivity] | Weitere Funktionen ()
      [TextView|MainActivity] | Marktsuche () [TextView|MainActivity] |
      Aktionscodes () [TextView|MainActivity] | Rückverfolgung ()
      [TextView|MainActivity] | Hilfe & Feedback () [TextView|MainActivity] |
      Hilfe & FAQ () [TextView|MainActivity]
  - text: >-
      sortieren nach () [TextView|MainActivity] |  (Drop-down-Menü)
      [View|MainActivity] | Kategorien () [TextView|MainActivity] |  (dropdown
      arrow) [ImageView|MainActivity] | Obst & Gemüse () [TextView|MainActivity]
      |  (Am Samstag: Gut & Günstig Mini Pflaumentomaten) [View|MainActivity] |
      Am Samstag: Gut & Günstig Mini Pflaumentomaten () [TextView|MainActivity]
      | 1 () [EditText|MainActivity] | Menge () [TextView|MainActivity] | 
      (offer valid for current store) [View|MainActivity] | Grundnahrung ()
      [TextView|MainActivity] |  (La Molisana Linguine 500 g)
      [View|MainActivity] | La Molisana Linguine 500 g ()
      [TextView|MainActivity] | La Molisana () [TextView|MainActivity] | 1 ()
      [EditText|MainActivity] | Menge () [TextView|MainActivity] |  (EDEKA Bio
      Zucker 1000 g) [View|MainActivity] | EDEKA Bio Zucker 1000 g ()
      [TextView|MainActivity] | EDEKA Bio () [TextView|MainActivity] | 1 ()
      [EditText|MainActivity] | Menge () [TextView|MainActivity] |  (Kaba Das
      Original Bananen Geschmack 400 g) [View|MainActivity] | Kaba Das Original
      Bananen Geschmack 400 g () [TextView|MainActivity] |  (navigate to
      switcher) [View|MainActivity] | Meine Einkaufsliste ()
      [TextView|MainActivity] |  (edit) [View|MainActivity] |  (share)
      [View|MainActivity] |  (use scanner) [View|MainActivity] | Artikel
      hinzufügen () [TextView|MainActivity] | Meine Einkaufsliste ()
      [TextView|MainActivity] |  (Start) [View|MainActivity] | Start ()
      [TextView|MainActivity] |  (Sparen) [View|MainActivity] | Sparen ()
      [TextView|MainActivity] | Kasse () [TextView|MainActivity] |  (Prämien)
      [View|MainActivity] | Prämien () [TextView|MainActivity] | 
      (Einkaufsliste) [View|MainActivity] | Einkaufsliste ()
      [TextView|MainActivity] |  (Kasse) [View|MainActivity]


      [SELECTED START]

       (Tabelle schließen) [View|c1]
      [CONTEXT SEPARATOR]
       (Tabelle schließen) [View|c1]
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
datasets:
  - tmp-org/edeka-dataset-ctx-1
base_model: Alibaba-NLP/gte-multilingual-base

SetFit with Alibaba-NLP/gte-multilingual-base

This is a SetFit model trained on the tmp-org/edeka-dataset-ctx-1 dataset that can be used for Text Classification. This SetFit model uses Alibaba-NLP/gte-multilingual-base as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: Alibaba-NLP/gte-multilingual-base
Classification head: a LogisticRegression instance
Maximum Sequence Length: 8192 tokens
Number of Classes: 24 classes
Training Dataset: tmp-org/edeka-dataset-ctx-1

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
Other_Prospekt	'Prospekt () [TextView
Start_Start	'Tierischer Sammelspaß mit schleich® und WWF! () [TextView
Other_Code einlösen	'Hallo Murmuras! () [TextView
Prämien_Prämien	'Noch 5 Treuepunkte zum Prämien-Sonderpreis. () [TextView
Other_Loading	'Noch 5 Treuepunkte zum Prämien-Sonderpreis. () [TextView
Other_Treueaktionen	'Kaufe 4 Packungen 3/4er & Mini - bekomme Coupon für 1 Gratis-Artikel () [TextView
Other_Neuigkeiten	'EDEKA Schöck () [TextView
Other_Produktherkunft	'Aktuelles () [TextView
Other_Marktsuche	'Produktherkunft () [TextView
Other_Menu	'PAYBACK () [TextView
Kasse_Mobil bezahlen	' (Tabelle schließen) [View
Other_Kassenbons	' (Tabelle schließen) [View
Sparen_Angebote	" (Aktivierte Coupons) [View
Sparen_Coupons	'PAYBACK () [TextView
Other_Coupon details	' (coupon image) [ImageView
Kasse_Kasse	'Coupons () [TextView
Kasse_Aktivierte Coupons	' (Aktivierte Coupons) [View
Einkaufsliste_Einkaufsliste	'Coupons () [TextView
Kasse_Unknown	' (Tabelle schließen) [View
Other_Unknown	' (Auf die Einkaufliste) [ImageView
Start_Loading	'Gratisartikel im November: Gut&Günstig – Classic Spülmittel Apfelduft () [TextView
Sparen_Loading	'Zukünftige Treueaktionen () [TextView
Other_Other	'Obst & Gemüse () [TextView
Kasse_Loading	'Mobil bezahlen per App () [TextView

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("tmp-org/tmp_cv_model_2025_09_29_0")
# Run inference
preds = model("Ja, sehr! () [TextView|SubActivity]

[SELECTED START]

Prospekt () [TextView|SubActivity] | 1 / 12 () [TextView|SubActivity]
[CONTEXT SEPARATOR]
Prospekt () [TextView|SubActivity] | 1 / 12 () [TextView|SubActivity]")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	9	266.6559	711

Label	Training Sample Count
Einkaufsliste_Einkaufsliste	27
Kasse_Aktivierte Coupons	36
Kasse_Kasse	18
Kasse_Loading	2
Kasse_Mobil bezahlen	6
Kasse_Unknown	1
Other_Code einlösen	2
Other_Coupon details	28
Other_Kassenbons	9
Other_Loading	2
Other_Marktsuche	6
Other_Menu	36
Other_Neuigkeiten	4
Other_Other	1
Other_Produktherkunft	7
Other_Prospekt	29
Other_Treueaktionen	32
Other_Unknown	8
Prämien_Prämien	34
Sparen_Angebote	36
Sparen_Coupons	36
Sparen_Loading	3
Start_Loading	5
Start_Start	36

Training Hyperparameters

batch_size: (4, 4)
num_epochs: (1, 1)
max_steps: -1
sampling_strategy: undersampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
l2_weight: 0.01
seed: 4242
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0003	1	0.1534	-
0.0166	50	0.2317	-
0.0331	100	0.1725	-
0.0497	150	0.1498	-
0.0663	200	0.1253	-
0.0828	250	0.1364	-
0.0994	300	0.0826	-
0.1160	350	0.1027	-
0.1325	400	0.0815	-
0.1491	450	0.0738	-
0.1657	500	0.0501	-
0.1822	550	0.0653	-
0.1988	600	0.0657	-
0.2154	650	0.0497	-
0.2319	700	0.0575	-
0.2485	750	0.0563	-
0.2651	800	0.0483	-
0.2816	850	0.0639	-
0.2982	900	0.0515	-
0.3148	950	0.0436	-
0.3313	1000	0.0465	-
0.3479	1050	0.0339	-
0.3645	1100	0.033	-
0.3810	1150	0.05	-
0.3976	1200	0.0486	-
0.4142	1250	0.0388	-
0.4307	1300	0.032	-
0.4473	1350	0.0268	-
0.4639	1400	0.0163	-
0.4805	1450	0.0373	-
0.4970	1500	0.0226	-
0.5136	1550	0.033	-
0.5302	1600	0.0295	-
0.5467	1650	0.0518	-
0.5633	1700	0.0318	-
0.5799	1750	0.0164	-
0.5964	1800	0.0377	-
0.6130	1850	0.0204	-
0.6296	1900	0.0094	-
0.6461	1950	0.0363	-
0.6627	2000	0.0565	-
0.6793	2050	0.0289	-
0.6958	2100	0.0246	-
0.7124	2150	0.0327	-
0.7290	2200	0.0217	-
0.7455	2250	0.045	-
0.7621	2300	0.0145	-
0.7787	2350	0.0188	-
0.7952	2400	0.0154	-
0.8118	2450	0.009	-
0.8284	2500	0.0344	-
0.8449	2550	0.0324	-
0.8615	2600	0.0162	-
0.8781	2650	0.0209	-
0.8946	2700	0.0259	-
0.9112	2750	0.0236	-
0.9278	2800	0.0231	-
0.9443	2850	0.0138	-
0.9609	2900	0.0141	-
0.9775	2950	0.019	-
0.9940	3000	0.0237	-

Framework Versions

Python: 3.12.6
SetFit: 1.1.2
Sentence Transformers: 5.2.2
Transformers: 4.57.1
PyTorch: 2.10.0+cu128
Datasets: 3.6.0
Tokenizers: 0.22.2

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}