test

This model is a fine-tuned version of microsoft/conditional-detr-resnet-50 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 1.1603
• Map: 0.2667
• Map 50: 0.5044
• Map 75: 0.2456
• Map Small: 0.0909
• Map Medium: 0.2038
• Map Large: 0.3504
• Mar 1: 0.2709
• Mar 10: 0.4322
• Mar 100: 0.4537
• Mar Small: 0.1705
• Mar Medium: 0.3988
• Mar Large: 0.5803
• Map Coverall: 0.5892
• Mar 100 Coverall: 0.7071
• Map Face Shield: 0.1292
• Mar 100 Face Shield: 0.4657
• Map Gloves: 0.1967
• Mar 100 Gloves: 0.3534
• Map Goggles: 0.1026
• Mar 100 Goggles: 0.2918
• Map Mask: 0.316
• Mar 100 Mask: 0.4506

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 adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• 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 Coverall	Mar 100 Coverall	Map Face Shield	Mar 100 Face Shield	Map Gloves	Mar 100 Gloves	Map Goggles	Mar 100 Goggles	Map Mask	Mar 100 Mask
No log	1.0	91	1.8372	0.007	0.0258	0.0011	0.0141	0.0074	0.0074	0.0155	0.0699	0.1041	0.0717	0.1388	0.1297	0.0	0.0161	0.0011	0.0039	0.004	0.1531	0.0005	0.0682	0.0291	0.2794
No log	2.0	182	1.6868	0.0122	0.0409	0.0051	0.0178	0.0127	0.0159	0.0234	0.1069	0.1472	0.1082	0.1665	0.1779	0.003	0.1219	0.0001	0.001	0.0101	0.2014	0.0016	0.0518	0.0464	0.3601
No log	3.0	273	1.5610	0.027	0.0704	0.0145	0.0209	0.0215	0.0511	0.0768	0.1903	0.2325	0.1097	0.2337	0.2895	0.0339	0.3714	0.0019	0.0471	0.0181	0.2523	0.0026	0.0965	0.0784	0.3951
No log	4.0	364	1.5762	0.0407	0.0899	0.0339	0.011	0.0217	0.0606	0.0826	0.1865	0.2398	0.104	0.2439	0.2762	0.1194	0.5415	0.0011	0.0441	0.0049	0.183	0.0008	0.0576	0.0772	0.3728
No log	5.0	455	1.4866	0.0584	0.1347	0.0434	0.0265	0.0517	0.0705	0.1131	0.2302	0.2768	0.1274	0.2489	0.3144	0.1524	0.546	0.0068	0.0755	0.0229	0.274	0.017	0.0965	0.0932	0.3922
2.2578	6.0	546	1.4517	0.0782	0.1742	0.0608	0.0352	0.0653	0.0921	0.1191	0.2638	0.3064	0.1173	0.2795	0.3505	0.2028	0.6438	0.0052	0.1196	0.0309	0.2671	0.0075	0.1118	0.1448	0.3897
2.2578	7.0	637	1.4567	0.1202	0.2463	0.1019	0.0548	0.1205	0.1364	0.163	0.3228	0.356	0.1594	0.3255	0.4543	0.3099	0.7063	0.0102	0.2412	0.0491	0.2744	0.0557	0.1753	0.176	0.3831
2.2578	8.0	728	1.4039	0.1446	0.2979	0.1181	0.0584	0.1175	0.1695	0.1537	0.3259	0.3556	0.128	0.3103	0.4379	0.4289	0.6817	0.0142	0.2598	0.0604	0.2816	0.0327	0.1612	0.1867	0.3938
2.2578	9.0	819	1.3552	0.1623	0.3277	0.1455	0.0586	0.1179	0.2124	0.1759	0.3576	0.3833	0.1318	0.3387	0.4908	0.4853	0.6973	0.0153	0.2853	0.0861	0.3155	0.0257	0.2071	0.1988	0.4111
2.2578	10.0	910	1.3194	0.1819	0.3602	0.165	0.0737	0.126	0.2357	0.1881	0.3606	0.3881	0.1939	0.3337	0.4953	0.4961	0.6723	0.0203	0.3284	0.0938	0.3072	0.0449	0.2094	0.2543	0.423
1.2495	11.0	1001	1.3209	0.1814	0.3609	0.1521	0.067	0.1267	0.2353	0.188	0.3616	0.3892	0.2079	0.3159	0.5058	0.495	0.6643	0.025	0.3284	0.1066	0.3029	0.0508	0.2494	0.2297	0.4008
1.2495	12.0	1092	1.2817	0.1922	0.3946	0.154	0.0681	0.1501	0.2335	0.2042	0.3822	0.4057	0.1483	0.3511	0.5242	0.5286	0.6808	0.0544	0.3961	0.1025	0.3076	0.0462	0.2365	0.2295	0.4074
1.2495	13.0	1183	1.2797	0.207	0.4039	0.1838	0.0767	0.1446	0.2743	0.2117	0.3881	0.4101	0.1362	0.356	0.5387	0.5433	0.6893	0.0566	0.3745	0.1286	0.3061	0.0427	0.2671	0.2636	0.4136
1.2495	14.0	1274	1.2330	0.2165	0.416	0.1999	0.081	0.1565	0.2767	0.2247	0.3935	0.4251	0.1558	0.3763	0.5399	0.5671	0.6946	0.0579	0.3725	0.1453	0.331	0.0371	0.3071	0.2751	0.4202
1.2495	15.0	1365	1.2150	0.2214	0.4317	0.1966	0.0766	0.1686	0.287	0.2243	0.3993	0.4316	0.1896	0.3783	0.5457	0.5626	0.6866	0.075	0.4186	0.1465	0.339	0.0527	0.2812	0.2701	0.4325
1.2495	16.0	1456	1.1971	0.2229	0.4395	0.1913	0.0832	0.1531	0.2993	0.2335	0.4103	0.4389	0.1593	0.3698	0.5667	0.5625	0.6888	0.0567	0.4461	0.1539	0.3466	0.0716	0.2882	0.2698	0.4247
1.0777	17.0	1547	1.1886	0.2435	0.4578	0.228	0.0881	0.174	0.312	0.2487	0.4166	0.4476	0.1758	0.3803	0.581	0.5767	0.6978	0.1008	0.449	0.1588	0.3538	0.0615	0.2824	0.3194	0.4551
1.0777	18.0	1638	1.1980	0.2414	0.4659	0.2154	0.0895	0.1714	0.3089	0.2464	0.4181	0.4423	0.1624	0.3736	0.5643	0.5718	0.6875	0.1057	0.449	0.1619	0.343	0.0644	0.2894	0.3033	0.4424
1.0777	19.0	1729	1.1748	0.2448	0.4786	0.2174	0.0917	0.1801	0.3185	0.2488	0.424	0.4502	0.1551	0.3875	0.5786	0.5706	0.6902	0.1289	0.4745	0.1626	0.3473	0.0568	0.2918	0.3051	0.4473
1.0777	20.0	1820	1.1770	0.2544	0.4702	0.2366	0.0924	0.189	0.3271	0.2632	0.4292	0.4507	0.148	0.3992	0.5778	0.5753	0.7085	0.1107	0.4696	0.1718	0.339	0.0916	0.2906	0.3225	0.4457
1.0777	21.0	1911	1.1731	0.2539	0.4917	0.2379	0.0914	0.1924	0.3282	0.2559	0.4247	0.4493	0.1665	0.3907	0.5753	0.5741	0.6991	0.113	0.4471	0.1814	0.3444	0.0832	0.2976	0.3177	0.4584
0.9577	22.0	2002	1.1567	0.2622	0.4932	0.2434	0.0956	0.2006	0.3363	0.2639	0.4339	0.4564	0.1785	0.4013	0.5797	0.5848	0.7018	0.1226	0.4539	0.1924	0.357	0.0861	0.3082	0.325	0.4609
0.9577	23.0	2093	1.1649	0.2666	0.4975	0.2456	0.091	0.2019	0.35	0.2678	0.433	0.4573	0.1587	0.4036	0.5832	0.5831	0.7009	0.1563	0.4882	0.1947	0.3477	0.0803	0.3035	0.3186	0.4461
0.9577	24.0	2184	1.1525	0.2658	0.4949	0.2438	0.095	0.1972	0.3465	0.2677	0.4357	0.4585	0.1666	0.3978	0.5878	0.5886	0.704	0.1243	0.4588	0.1972	0.3617	0.0938	0.3082	0.3253	0.4597
0.9577	25.0	2275	1.1496	0.2665	0.4958	0.251	0.0927	0.1984	0.3513	0.2733	0.4334	0.4561	0.1568	0.3959	0.5837	0.5879	0.7071	0.1312	0.4696	0.1969	0.3599	0.0947	0.2918	0.3215	0.4519
0.9577	26.0	2366	1.1596	0.2667	0.5005	0.2434	0.092	0.1975	0.3517	0.2691	0.4346	0.4566	0.1714	0.3994	0.582	0.5894	0.7089	0.1298	0.4686	0.1964	0.357	0.0981	0.2988	0.3197	0.4494
0.9577	27.0	2457	1.1595	0.2679	0.5033	0.2455	0.0918	0.2041	0.3531	0.2706	0.4341	0.4549	0.1695	0.4039	0.5765	0.5868	0.7067	0.1368	0.4745	0.1972	0.3545	0.1001	0.2894	0.3186	0.4494
0.8804	28.0	2548	1.1584	0.2673	0.5038	0.2465	0.0916	0.2018	0.3518	0.2703	0.4332	0.4542	0.1698	0.3978	0.5809	0.5888	0.7067	0.1321	0.4676	0.1964	0.3542	0.1032	0.2929	0.3163	0.4498
0.8804	29.0	2639	1.1602	0.2666	0.5041	0.2454	0.0909	0.2018	0.349	0.2707	0.4317	0.4538	0.1701	0.397	0.58	0.5885	0.7071	0.129	0.4647	0.1968	0.3531	0.1016	0.2929	0.3171	0.451
0.8804	30.0	2730	1.1603	0.2667	0.5044	0.2456	0.0909	0.2038	0.3504	0.2709	0.4322	0.4537	0.1705	0.3988	0.5803	0.5892	0.7071	0.1292	0.4657	0.1967	0.3534	0.1026	0.2918	0.316	0.4506

Framework versions

• Transformers 4.47.1
• Pytorch 2.5.1+cu121
• Datasets 3.2.0
• Tokenizers 0.21.0