deformable_detr_finetuned_rsna_2018

This model is a fine-tuned version of SenseTime/deformable-detr on the imagefolder dataset. It achieves the following results on the evaluation set:

• Loss: 1.1784
• Map: 0.1070
• Map 50: 0.2451
• Map 75: 0.0775
• Map Small: 0.0225
• Map Medium: 0.1112
• Map Large: 0.1525
• Mar 1: 0.1582
• Mar 10: 0.4060
• Mar 100: 0.6497
• Mar Small: 0.3167
• Mar Medium: 0.6607
• Mar Large: 0.7767
• Map Pneumonia: 0.1070
• Mar 100 Pneumonia: 0.6497

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: 16
• eval_batch_size: 8
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• 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 Pneumonia	Mar 100 Pneumonia
No log	1.0	301	1.5776	0.0290	0.0947	0.0092	0.0027	0.0320	0.0329	0.0576	0.2553	0.4849	0.0667	0.4968	0.6628	0.0290	0.4849
1.8843	2.0	602	1.5194	0.0623	0.1806	0.0287	0.0285	0.0565	0.2087	0.0932	0.2880	0.4894	0.0900	0.5034	0.6349	0.0623	0.4894
1.8843	3.0	903	1.4116	0.0840	0.2315	0.0439	0.0162	0.0785	0.2462	0.1110	0.3184	0.5424	0.1300	0.5573	0.6884	0.0840	0.5424
1.4595	4.0	1204	1.4335	0.0640	0.1683	0.0328	0.0366	0.0652	0.1351	0.1041	0.3313	0.5402	0.0900	0.5573	0.6907	0.0640	0.5402
1.4125	5.0	1505	1.4249	0.0681	0.1879	0.0344	0.0517	0.0653	0.1600	0.1137	0.3120	0.5298	0.1133	0.5424	0.7000	0.0681	0.5298
1.4125	6.0	1806	1.4030	0.0620	0.1636	0.0316	0.0570	0.0615	0.1675	0.1269	0.3244	0.5518	0.1067	0.5659	0.7279	0.0620	0.5518
1.396	7.0	2107	1.3371	0.0755	0.2010	0.0418	0.0611	0.0794	0.2684	0.1149	0.3116	0.5708	0.2333	0.5834	0.6860	0.0755	0.5708
1.396	8.0	2408	1.3428	0.0761	0.2083	0.0380	0.0438	0.0785	0.2026	0.1238	0.3190	0.5712	0.1633	0.5868	0.7070	0.0761	0.5712
1.3424	9.0	2709	1.3000	0.0720	0.1792	0.0420	0.0746	0.0739	0.1360	0.1348	0.3385	0.5867	0.2000	0.5985	0.7442	0.0720	0.5867
1.3113	10.0	3010	1.2955	0.0774	0.1925	0.0482	0.0407	0.0759	0.1505	0.1356	0.3511	0.5915	0.2233	0.6027	0.7419	0.0774	0.5915
1.3113	11.0	3311	1.2706	0.0902	0.2191	0.0595	0.0668	0.0904	0.1601	0.1418	0.3588	0.6133	0.1933	0.6305	0.7419	0.0902	0.6133
1.2808	12.0	3612	1.2623	0.0870	0.2131	0.0593	0.0560	0.0900	0.1509	0.1356	0.3449	0.6041	0.25	0.6141	0.7558	0.0870	0.6041
1.2808	13.0	3913	1.2412	0.0940	0.2286	0.0562	0.0285	0.0996	0.1058	0.1470	0.3843	0.6159	0.2567	0.6283	0.7488	0.0940	0.6159
1.2554	14.0	4214	1.2547	0.0838	0.2087	0.0590	0.0256	0.0949	0.1144	0.1482	0.3704	0.6174	0.2567	0.6305	0.7442	0.0838	0.6174
1.2427	15.0	4515	1.2478	0.0905	0.2212	0.0563	0.0814	0.1071	0.1178	0.1474	0.3770	0.6203	0.2200	0.6354	0.7558	0.0905	0.6203
1.2427	16.0	4816	1.2225	0.0972	0.2415	0.0638	0.0354	0.1005	0.1391	0.1513	0.3754	0.6246	0.2833	0.6378	0.7372	0.0972	0.6246
1.2246	17.0	5117	1.2105	0.0999	0.2357	0.0755	0.0248	0.1057	0.1150	0.1530	0.3981	0.6244	0.2800	0.6339	0.7744	0.0999	0.6244
1.2246	18.0	5418	1.2324	0.0813	0.1970	0.0535	0.0207	0.0854	0.1488	0.1209	0.3621	0.6176	0.2967	0.6293	0.7302	0.0813	0.6176
1.2085	19.0	5719	1.1992	0.1033	0.2369	0.0718	0.0431	0.1040	0.1668	0.1598	0.4002	0.6366	0.2900	0.6490	0.7605	0.1033	0.6366
1.1883	20.0	6020	1.2163	0.0978	0.2356	0.0640	0.0291	0.1030	0.1321	0.1545	0.3994	0.6282	0.2767	0.6410	0.7512	0.0978	0.6282
1.1883	21.0	6321	1.2100	0.0995	0.2346	0.0701	0.0353	0.1059	0.1336	0.1547	0.3983	0.6311	0.2567	0.6446	0.7628	0.0995	0.6311
1.1775	22.0	6622	1.1979	0.1014	0.2343	0.0735	0.0210	0.1080	0.1287	0.1636	0.3915	0.6333	0.3000	0.6446	0.7581	0.1014	0.6333
1.1775	23.0	6923	1.1840	0.1019	0.2410	0.0697	0.0213	0.1050	0.1525	0.1615	0.4000	0.6427	0.3100	0.6551	0.7558	0.1019	0.6427
1.1678	24.0	7224	1.1822	0.1066	0.2445	0.0802	0.0245	0.1113	0.1572	0.1689	0.4021	0.6487	0.3200	0.6612	0.7581	0.1066	0.6487
1.1604	25.0	7525	1.1796	0.1042	0.2409	0.0773	0.0253	0.1082	0.1478	0.1660	0.3954	0.6482	0.2933	0.6605	0.7791	0.1042	0.6482
1.1604	26.0	7826	1.1830	0.1035	0.2390	0.0771	0.0189	0.1084	0.1452	0.1615	0.3921	0.6395	0.3200	0.6502	0.7605	0.1035	0.6395
1.1551	27.0	8127	1.1789	0.1082	0.2489	0.0823	0.0236	0.1139	0.1521	0.1636	0.3959	0.6497	0.3033	0.6624	0.7698	0.1082	0.6497
1.1551	28.0	8428	1.1784	0.1057	0.2429	0.0764	0.0223	0.1104	0.1471	0.1561	0.4033	0.6482	0.3133	0.6600	0.7698	0.1057	0.6482
1.1471	29.0	8729	1.1783	0.1068	0.2452	0.0773	0.0222	0.1114	0.1501	0.1576	0.4054	0.6480	0.3133	0.6595	0.7721	0.1068	0.6480
1.1449	30.0	9030	1.1784	0.1070	0.2451	0.0775	0.0225	0.1112	0.1525	0.1582	0.4060	0.6497	0.3167	0.6607	0.7767	0.1070	0.6497

Framework versions

• Transformers 4.43.3
• Pytorch 2.4.0+cu121
• Datasets 2.20.0
• Tokenizers 0.19.1