Amoros_Beaugosse_batch_64_epochs_200_test-large-2025_05_26_67930-bs64_freeze

This model is a fine-tuned version of facebook/dinov2-large on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.0806
• F1 Micro: 0.6521
• F1 Macro: 0.5228
• Accuracy: 0.5581
• Learning Rate: 0.0000

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: 0.001
• train_batch_size: 64
• eval_batch_size: 64
• seed: 42
• optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• num_epochs: 200
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Micro	F1 Macro	Accuracy	Rate
No log	1.0	489	0.1057	0.4791	0.1939	0.3399	0.001
0.2268	2.0	978	0.0992	0.5171	0.2748	0.3829	0.001
0.1131	3.0	1467	0.0967	0.5206	0.3019	0.3833	0.001
0.1072	4.0	1956	0.0958	0.5299	0.3230	0.3974	0.001
0.1049	5.0	2445	0.0957	0.5463	0.3499	0.4164	0.001
0.1038	6.0	2934	0.0949	0.5293	0.3454	0.3913	0.001
0.1041	7.0	3423	0.0951	0.5530	0.3660	0.4262	0.001
0.1035	8.0	3912	0.0956	0.5493	0.3504	0.4249	0.001
0.1028	9.0	4401	0.0945	0.5652	0.3616	0.4453	0.001
0.1029	10.0	4890	0.0934	0.5579	0.3733	0.4259	0.001
0.1037	11.0	5379	0.0938	0.5515	0.3631	0.4218	0.001
0.1026	12.0	5868	0.0932	0.5646	0.3631	0.4364	0.001
0.1024	13.0	6357	0.0923	0.5593	0.3755	0.4256	0.001
0.1025	14.0	6846	0.0913	0.5802	0.3898	0.4561	0.001
0.1012	15.0	7335	0.0920	0.5718	0.3889	0.4462	0.001
0.1016	16.0	7824	0.0916	0.5697	0.3873	0.4455	0.001
0.1016	17.0	8313	0.0931	0.5598	0.3802	0.4297	0.001
0.102	18.0	8802	0.0925	0.5640	0.3654	0.4359	0.001
0.1017	19.0	9291	0.0914	0.5738	0.3874	0.4467	0.001
0.1019	20.0	9780	0.0917	0.5687	0.3728	0.4417	0.001
0.1006	21.0	10269	0.0881	0.5932	0.4237	0.4712	0.0001
0.0968	22.0	10758	0.0870	0.6013	0.4384	0.4823	0.0001
0.0946	23.0	11247	0.0866	0.6039	0.4367	0.4853	0.0001
0.0942	24.0	11736	0.0861	0.6062	0.4452	0.4893	0.0001
0.0938	25.0	12225	0.0854	0.6100	0.4490	0.4926	0.0001
0.0929	26.0	12714	0.0853	0.6145	0.4482	0.5026	0.0001
0.0921	27.0	13203	0.0851	0.6144	0.4441	0.4999	0.0001
0.0917	28.0	13692	0.0845	0.6152	0.4457	0.5013	0.0001
0.0913	29.0	14181	0.0846	0.6143	0.4484	0.4990	0.0001
0.0916	30.0	14670	0.0843	0.6204	0.4621	0.5092	0.0001
0.0911	31.0	15159	0.0841	0.6214	0.4646	0.5116	0.0001
0.0901	32.0	15648	0.0839	0.6225	0.4649	0.5123	0.0001
0.0904	33.0	16137	0.0837	0.6267	0.4654	0.5180	0.0001
0.0898	34.0	16626	0.0834	0.6241	0.4665	0.5132	0.0001
0.089	35.0	17115	0.0834	0.6271	0.4762	0.5179	0.0001
0.0894	36.0	17604	0.0832	0.6244	0.4721	0.5158	0.0001
0.0891	37.0	18093	0.0831	0.6264	0.4712	0.5174	0.0001
0.0891	38.0	18582	0.0832	0.6288	0.4690	0.5194	0.0001
0.0889	39.0	19071	0.0828	0.6318	0.4810	0.5250	0.0001
0.0885	40.0	19560	0.0826	0.6316	0.4825	0.5232	0.0001
0.0876	41.0	20049	0.0827	0.6268	0.4703	0.5165	0.0001
0.0877	42.0	20538	0.0822	0.6324	0.4893	0.5240	0.0001
0.0879	43.0	21027	0.0819	0.6371	0.5045	0.5321	0.0001
0.0877	44.0	21516	0.0825	0.6295	0.4782	0.5218	0.0001
0.0867	45.0	22005	0.0824	0.6305	0.4814	0.5237	0.0001
0.0867	46.0	22494	0.0821	0.6324	0.4893	0.5245	0.0001
0.0873	47.0	22983	0.0818	0.6362	0.4933	0.5308	0.0001
0.0868	48.0	23472	0.0817	0.6393	0.4984	0.5357	0.0001
0.0868	49.0	23961	0.0821	0.6329	0.4864	0.5260	0.0001
0.0865	50.0	24450	0.0819	0.6332	0.4850	0.5254	0.0001
0.0869	51.0	24939	0.0817	0.6373	0.4914	0.5332	0.0001
0.0865	52.0	25428	0.0821	0.6343	0.5013	0.5295	0.0001
0.0863	53.0	25917	0.0815	0.6403	0.4996	0.5375	0.0001
0.0862	54.0	26406	0.0818	0.6374	0.4899	0.5323	0.0001
0.086	55.0	26895	0.0818	0.6326	0.4935	0.5249	0.0001
0.086	56.0	27384	0.0816	0.6393	0.4962	0.5364	0.0001
0.0854	57.0	27873	0.0817	0.6391	0.4981	0.5363	0.0001
0.0856	58.0	28362	0.0815	0.6428	0.4922	0.5402	0.0001
0.0856	59.0	28851	0.0814	0.6360	0.4918	0.5308	0.0001
0.0852	60.0	29340	0.0813	0.6472	0.5072	0.5491	0.0001
0.0852	61.0	29829	0.0816	0.6377	0.4847	0.5339	0.0001
0.0845	62.0	30318	0.0810	0.6401	0.4960	0.5367	0.0001
0.0851	63.0	30807	0.0814	0.6433	0.4912	0.5433	0.0001
0.0847	64.0	31296	0.0810	0.6383	0.4912	0.5330	0.0001
0.0851	65.0	31785	0.0808	0.6409	0.5117	0.5383	0.0001
0.0841	66.0	32274	0.0807	0.6437	0.4995	0.5417	0.0001
0.0841	67.0	32763	0.0808	0.6439	0.5073	0.5435	0.0001
0.0842	68.0	33252	0.0809	0.6405	0.5073	0.5369	0.0001
0.0843	69.0	33741	0.0810	0.6391	0.4926	0.5361	0.0001
0.0839	70.0	34230	0.0806	0.6425	0.5095	0.5428	0.0001
0.0843	71.0	34719	0.0809	0.6404	0.5159	0.5360	0.0001
0.0838	72.0	35208	0.0813	0.6470	0.5043	0.5485	0.0001
0.0836	73.0	35697	0.0804	0.6405	0.5029	0.5349	0.0001
0.084	74.0	36186	0.0806	0.6441	0.5028	0.5432	0.0001
0.0836	75.0	36675	0.0807	0.6421	0.5134	0.5387	0.0001
0.0831	76.0	37164	0.0805	0.6427	0.5133	0.5408	0.0001
0.0838	77.0	37653	0.0806	0.6467	0.5015	0.5474	0.0001
0.0827	78.0	38142	0.0808	0.6402	0.4998	0.5396	0.0001
0.0833	79.0	38631	0.0805	0.6475	0.5048	0.5496	0.0001
0.0821	80.0	39120	0.0798	0.6531	0.5148	0.5560	1e-05
0.0814	81.0	39609	0.0796	0.6533	0.5242	0.5555	1e-05
0.081	82.0	40098	0.0795	0.6568	0.5260	0.5633	1e-05
0.0808	83.0	40587	0.0794	0.6562	0.5293	0.5608	1e-05
0.0802	84.0	41076	0.0792	0.6567	0.5257	0.5616	1e-05
0.0807	85.0	41565	0.0794	0.6577	0.5262	0.5621	1e-05
0.0799	86.0	42054	0.0794	0.6569	0.5265	0.5616	1e-05
0.0801	87.0	42543	0.0794	0.6570	0.5198	0.5627	1e-05
0.0803	88.0	43032	0.0794	0.6571	0.5282	0.5642	1e-05
0.0801	89.0	43521	0.0794	0.6551	0.5200	0.5597	1e-05
0.0799	90.0	44010	0.0794	0.6550	0.5186	0.5598	1e-05
0.0799	91.0	44499	0.0793	0.6558	0.5292	0.5622	0.0000
0.0799	92.0	44988	0.0793	0.6554	0.5248	0.5610	0.0000
0.0799	93.0	45477	0.0794	0.6563	0.5230	0.5609	0.0000
0.0797	94.0	45966	0.0794	0.6533	0.5214	0.5572	0.0000

Framework versions

• Transformers 4.48.0
• Pytorch 2.6.0+cu118
• Datasets 3.0.2
• Tokenizers 0.21.1