copiapoasegmentation

This model is a fine-tuned version of nvidia/mit-b0 on the aghent/copiapoa-semantic-v2 dataset. It achieves the following results on the evaluation set:

• Loss: 0.1039
• Mean Iou: 0.0
• Mean Accuracy: nan
• Overall Accuracy: nan
• Accuracy Copiapoa: nan
• Iou Copiapoa: 0.0

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: 0.5
• train_batch_size: 4
• eval_batch_size: 4
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss	Mean Iou	Mean Accuracy	Overall Accuracy	Accuracy Copiapoa	Iou Copiapoa
0.2444	0.01	20	5.0470	0.0	nan	nan	nan	0.0
0.3612	0.02	40	0.8679	0.0	nan	nan	nan	0.0
0.5271	0.03	60	0.8829	0.0	nan	nan	nan	0.0
0.0688	0.04	80	0.1301	0.0	nan	nan	nan	0.0
0.0651	0.05	100	0.1053	0.0	nan	nan	nan	0.0
0.1459	0.06	120	0.1041	0.0	nan	nan	nan	0.0
0.1192	0.07	140	0.1044	0.0	nan	nan	nan	0.0
0.1747	0.08	160	0.1068	0.0	nan	nan	nan	0.0
0.0807	0.09	180	0.1045	0.0	nan	nan	nan	0.0
0.0701	0.1	200	0.1039	0.0	nan	nan	nan	0.0
0.0909	0.11	220	0.1043	0.0	nan	nan	nan	0.0
0.0866	0.12	240	0.1039	0.0	nan	nan	nan	0.0
0.1688	0.13	260	0.1040	0.0	nan	nan	nan	0.0
0.0664	0.14	280	0.1040	0.0	nan	nan	nan	0.0
0.1137	0.15	300	0.1040	0.0	nan	nan	nan	0.0
0.1783	0.16	320	0.1044	0.0	nan	nan	nan	0.0
0.1267	0.17	340	0.1049	0.0	nan	nan	nan	0.0
0.0606	0.18	360	0.1086	0.0	nan	nan	nan	0.0
0.0847	0.19	380	0.1065	0.0	nan	nan	nan	0.0
0.0734	0.2	400	0.1040	0.0	nan	nan	nan	0.0
0.0302	0.21	420	0.1045	0.0	nan	nan	nan	0.0
0.0815	0.22	440	0.1062	0.0	nan	nan	nan	0.0
0.0639	0.23	460	0.1039	0.0	nan	nan	nan	0.0
0.1039	0.24	480	0.1041	0.0	nan	nan	nan	0.0
0.0703	0.25	500	0.1046	0.0	nan	nan	nan	0.0
0.1696	0.26	520	0.1040	0.0	nan	nan	nan	0.0
0.1308	0.27	540	0.1039	0.0	nan	nan	nan	0.0
0.0673	0.28	560	0.1070	0.0	nan	nan	nan	0.0
0.1913	0.29	580	0.1048	0.0	nan	nan	nan	0.0
0.0324	0.3	600	0.1043	0.0	nan	nan	nan	0.0
0.1178	0.31	620	0.1053	0.0	nan	nan	nan	0.0
0.0977	0.32	640	0.1041	0.0	nan	nan	nan	0.0
0.1711	0.33	660	0.1042	0.0	nan	nan	nan	0.0
0.1388	0.34	680	0.1059	0.0	nan	nan	nan	0.0
0.1434	0.35	700	0.1060	0.0	nan	nan	nan	0.0
0.0711	0.36	720	0.1075	0.0	nan	nan	nan	0.0
0.1017	0.37	740	0.1060	0.0	nan	nan	nan	0.0
0.2191	0.38	760	0.1040	0.0	nan	nan	nan	0.0
0.0877	0.39	780	0.1042	0.0	nan	nan	nan	0.0
0.1571	0.4	800	0.1039	0.0	nan	nan	nan	0.0
0.0726	0.41	820	0.1043	0.0	nan	nan	nan	0.0
0.1566	0.42	840	0.1046	0.0	nan	nan	nan	0.0
0.1165	0.43	860	0.1069	0.0	nan	nan	nan	0.0
0.0921	0.44	880	0.1039	0.0	nan	nan	nan	0.0
0.1851	0.45	900	0.1039	0.0	nan	nan	nan	0.0
0.0553	0.46	920	0.1046	0.0	nan	nan	nan	0.0
0.2055	0.47	940	0.1056	0.0	nan	nan	nan	0.0
0.1784	0.48	960	0.1039	0.0	nan	nan	nan	0.0
0.0817	0.49	980	0.1045	0.0	nan	nan	nan	0.0
0.0789	0.5	1000	0.1041	0.0	nan	nan	nan	0.0
0.1644	0.51	1020	0.1041	0.0	nan	nan	nan	0.0
0.3311	0.52	1040	0.1045	0.0	nan	nan	nan	0.0
0.1518	0.53	1060	0.1045	0.0	nan	nan	nan	0.0
0.0654	0.54	1080	0.1049	0.0	nan	nan	nan	0.0
0.1069	0.55	1100	0.1043	0.0	nan	nan	nan	0.0
0.0489	0.56	1120	0.1044	0.0	nan	nan	nan	0.0
0.126	0.57	1140	0.1040	0.0	nan	nan	nan	0.0
0.076	0.58	1160	0.1040	0.0	nan	nan	nan	0.0
0.0609	0.59	1180	0.1040	0.0	nan	nan	nan	0.0
0.0781	0.6	1200	0.1047	0.0	nan	nan	nan	0.0
0.0471	0.61	1220	0.1040	0.0	nan	nan	nan	0.0
0.0806	0.62	1240	0.1048	0.0	nan	nan	nan	0.0
0.0519	0.63	1260	0.1040	0.0	nan	nan	nan	0.0
0.0904	0.64	1280	0.1051	0.0	nan	nan	nan	0.0
0.0963	0.65	1300	0.1051	0.0	nan	nan	nan	0.0
0.1206	0.66	1320	0.1053	0.0	nan	nan	nan	0.0
0.1104	0.67	1340	0.1045	0.0	nan	nan	nan	0.0
0.062	0.68	1360	0.1042	0.0	nan	nan	nan	0.0
0.0895	0.69	1380	0.1040	0.0	nan	nan	nan	0.0
0.1593	0.7	1400	0.1042	0.0	nan	nan	nan	0.0
0.0922	0.71	1420	0.1044	0.0	nan	nan	nan	0.0
0.0676	0.72	1440	0.1039	0.0	nan	nan	nan	0.0
0.0854	0.73	1460	0.1046	0.0	nan	nan	nan	0.0
0.0498	0.74	1480	0.1042	0.0	nan	nan	nan	0.0
0.0677	0.75	1500	0.1041	0.0	nan	nan	nan	0.0
0.1298	0.76	1520	0.1049	0.0	nan	nan	nan	0.0
0.1202	0.77	1540	0.1044	0.0	nan	nan	nan	0.0
0.0737	0.78	1560	0.1041	0.0	nan	nan	nan	0.0
0.0238	0.79	1580	0.1040	0.0	nan	nan	nan	0.0
0.106	0.8	1600	0.1042	0.0	nan	nan	nan	0.0
0.142	0.81	1620	0.1040	0.0	nan	nan	nan	0.0
0.0753	0.82	1640	0.1041	0.0	nan	nan	nan	0.0
0.157	0.83	1660	0.1040	0.0	nan	nan	nan	0.0
0.1181	0.84	1680	0.1040	0.0	nan	nan	nan	0.0
0.0758	0.85	1700	0.1041	0.0	nan	nan	nan	0.0
0.0966	0.86	1720	0.1041	0.0	nan	nan	nan	0.0
0.1137	0.87	1740	0.1043	0.0	nan	nan	nan	0.0
0.0362	0.88	1760	0.1040	0.0	nan	nan	nan	0.0
0.1495	0.89	1780	0.1040	0.0	nan	nan	nan	0.0
0.0933	0.9	1800	0.1039	0.0	nan	nan	nan	0.0
0.1285	0.91	1820	0.1039	0.0	nan	nan	nan	0.0
0.0479	0.92	1840	0.1039	0.0	nan	nan	nan	0.0
0.1065	0.93	1860	0.1040	0.0	nan	nan	nan	0.0
0.1133	0.94	1880	0.1040	0.0	nan	nan	nan	0.0
0.129	0.95	1900	0.1039	0.0	nan	nan	nan	0.0
0.2114	0.96	1920	0.1040	0.0	nan	nan	nan	0.0
0.0646	0.97	1940	0.1039	0.0	nan	nan	nan	0.0
0.1375	0.98	1960	0.1039	0.0	nan	nan	nan	0.0
0.0402	0.99	1980	0.1039	0.0	nan	nan	nan	0.0
0.1113	1.0	2000	0.1039	0.0	nan	nan	nan	0.0

Framework versions

• Transformers 4.35.2
• Pytorch 2.1.0
• Datasets 2.15.0
• Tokenizers 0.15.0