detr_finetuned_cppe5

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

• Loss: 2.6375
• Map: 0.0618
• Map 50: 0.1727
• Map 75: 0.0707
• Map Small: 0.0
• Map Medium: 0.1642
• Map Large: 0.0627
• Mar 1: 0.0908
• Mar 10: 0.1208
• Mar 100: 0.1608
• Mar Small: 0.0
• Mar Medium: 0.1983
• Mar Large: 0.2208
• Map Coverall: 0.2826
• Mar 100 Coverall: 0.625
• Map Face Shield: 0.0
• Mar 100 Face Shield: 0.0
• Map Gloves: 0.023
• Mar 100 Gloves: 0.1625
• Map Goggles: 0.0
• Mar 100 Goggles: 0.0
• Map Mask: 0.0034
• Mar 100 Mask: 0.0167

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 OptimizerNames.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	2	3.6370	0.0139	0.0385	0.0064	0.0	0.0447	0.0205	0.015	0.065	0.0725	0.0	0.13	0.075	0.0694	0.35	0.0	0.0	0.0002	0.0125	0.0	0.0	0.0	0.0
No log	2.0	4	3.3372	0.0084	0.023	0.0106	0.0	0.0261	0.0077	0.0	0.08	0.0975	0.0	0.185	0.0833	0.0404	0.4	0.0	0.0	0.0016	0.0875	0.0	0.0	0.0	0.0
No log	3.0	6	3.2809	0.0175	0.0686	0.0096	0.0	0.0692	0.0062	0.01	0.08	0.0975	0.0	0.21	0.075	0.0862	0.4	0.0	0.0	0.0015	0.0875	0.0	0.0	0.0	0.0
No log	4.0	8	3.0734	0.0305	0.0958	0.0172	0.0	0.1039	0.0224	0.05	0.0925	0.1025	0.0	0.21	0.0833	0.149	0.425	0.0	0.0	0.0035	0.0875	0.0	0.0	0.0	0.0
No log	5.0	10	3.1212	0.0098	0.0457	0.007	0.0	0.0514	0.0082	0.01	0.05	0.1	0.0	0.18	0.0917	0.0476	0.425	0.0	0.0	0.0015	0.075	0.0	0.0	0.0	0.0
No log	6.0	12	2.9352	0.0084	0.03	0.0086	0.0	0.0386	0.0073	0.0	0.08	0.115	0.0	0.18	0.1167	0.0405	0.5	0.0	0.0	0.0014	0.075	0.0	0.0	0.0	0.0
No log	7.0	14	2.8460	0.0099	0.039	0.002	0.0	0.0451	0.0084	0.0	0.0875	0.1275	0.0	0.18	0.125	0.044	0.5	0.0	0.0	0.0054	0.1375	0.0	0.0	0.0	0.0
No log	8.0	16	2.8413	0.0071	0.0285	0.0028	0.0	0.0164	0.0149	0.005	0.095	0.13	0.0	0.15	0.1583	0.0273	0.5	0.0	0.0	0.0082	0.15	0.0	0.0	0.0	0.0
No log	9.0	18	2.6854	0.0123	0.0493	0.0054	0.0	0.0219	0.0249	0.01	0.095	0.135	0.0	0.15	0.1833	0.0517	0.5	0.0	0.0	0.01	0.175	0.0	0.0	0.0	0.0
No log	10.0	20	2.7651	0.0344	0.0962	0.0379	0.0	0.0791	0.0287	0.03	0.1025	0.155	0.0	0.2	0.1833	0.0629	0.5	0.0	0.0	0.0082	0.175	0.0	0.0	0.101	0.1
No log	11.0	22	2.7936	0.0226	0.0829	0.018	0.0	0.0438	0.0431	0.035	0.09	0.1	0.0	0.155	0.1333	0.1078	0.375	0.0	0.0	0.005	0.125	0.0	0.0	0.0	0.0
No log	12.0	24	2.7867	0.0216	0.0842	0.0055	0.0	0.0647	0.0309	0.015	0.09	0.12	0.0	0.16	0.1542	0.1029	0.475	0.0	0.0	0.005	0.125	0.0	0.0	0.0	0.0
No log	13.0	26	2.9817	0.0112	0.0372	0.0055	0.0	0.0442	0.0144	0.0	0.0975	0.1175	0.0	0.16	0.1417	0.0509	0.475	0.0	0.0	0.0053	0.1125	0.0	0.0	0.0	0.0
No log	14.0	28	2.9225	0.0278	0.1074	0.0148	0.0	0.0775	0.0425	0.005	0.1067	0.1617	0.0	0.1817	0.2	0.1119	0.65	0.0	0.0	0.01	0.125	0.0	0.0	0.0168	0.0333
No log	15.0	30	2.8893	0.0347	0.1374	0.0193	0.0	0.0831	0.0566	0.0558	0.1092	0.1442	0.0	0.1817	0.1792	0.1356	0.55	0.0	0.0	0.0126	0.1375	0.0	0.0	0.0252	0.0333
No log	16.0	32	2.8845	0.0328	0.1313	0.0151	0.0	0.088	0.0427	0.0617	0.1092	0.1442	0.0	0.1817	0.1792	0.1163	0.55	0.0	0.0	0.0139	0.1375	0.0	0.0	0.0337	0.0333
No log	17.0	34	2.8390	0.0383	0.1469	0.0128	0.0	0.1033	0.0365	0.02	0.1125	0.1475	0.0	0.19	0.1792	0.1056	0.55	0.0	0.0	0.0356	0.1375	0.0	0.0	0.0505	0.05
No log	18.0	36	2.8089	0.0364	0.1392	0.0129	0.0	0.0877	0.0362	0.0175	0.1125	0.1525	0.0	0.19	0.1875	0.1296	0.575	0.0	0.0	0.027	0.1375	0.0	0.0	0.0252	0.05
No log	19.0	38	2.8321	0.0329	0.1149	0.0352	0.0	0.0884	0.0327	0.0117	0.1142	0.1542	0.0	0.2017	0.2	0.1363	0.6	0.0	0.0	0.0199	0.1375	0.0	0.0	0.0084	0.0333
No log	20.0	40	2.8311	0.0498	0.1556	0.0568	0.0	0.1641	0.0433	0.0417	0.115	0.155	0.0	0.205	0.2	0.2192	0.6	0.0	0.0	0.0181	0.125	0.0	0.0	0.0118	0.05
No log	21.0	42	2.7355	0.0488	0.1556	0.0538	0.0	0.1617	0.0444	0.0417	0.1117	0.1517	0.0	0.1967	0.2	0.2192	0.6	0.0	0.0	0.0166	0.125	0.0	0.0	0.0084	0.0333
No log	22.0	44	2.6950	0.0484	0.1527	0.0538	0.0	0.1605	0.0451	0.0383	0.1167	0.1567	0.0	0.2017	0.2125	0.2192	0.6	0.0	0.0	0.0181	0.15	0.0	0.0	0.0049	0.0333
No log	23.0	46	2.6900	0.0484	0.1527	0.0538	0.0	0.1605	0.045	0.0383	0.1167	0.1567	0.0	0.2017	0.2125	0.2191	0.6	0.0	0.0	0.0182	0.15	0.0	0.0	0.0049	0.0333
No log	24.0	48	2.6738	0.0481	0.1539	0.0538	0.0	0.1598	0.0451	0.0383	0.1133	0.1533	0.0	0.1933	0.2125	0.2192	0.6	0.0	0.0	0.0182	0.15	0.0	0.0	0.0034	0.0167
No log	25.0	50	2.6657	0.061	0.1663	0.0707	0.0	0.1603	0.0632	0.0883	0.1208	0.1608	0.0	0.1983	0.2208	0.2826	0.625	0.0	0.0	0.0192	0.1625	0.0	0.0	0.0034	0.0167
No log	26.0	52	2.6576	0.0627	0.1831	0.0707	0.0	0.1632	0.0627	0.0875	0.1208	0.1608	0.0	0.1983	0.2208	0.2826	0.625	0.0	0.0	0.0288	0.1625	0.0	0.0	0.0021	0.0167
No log	27.0	54	2.6461	0.0631	0.1856	0.0707	0.0	0.1642	0.0628	0.0908	0.1208	0.1608	0.0	0.1983	0.2208	0.2827	0.625	0.0	0.0	0.0295	0.1625	0.0	0.0	0.0034	0.0167
No log	28.0	56	2.6412	0.0618	0.1727	0.0707	0.0	0.1642	0.0627	0.0908	0.1208	0.1608	0.0	0.1983	0.2208	0.2826	0.625	0.0	0.0	0.023	0.1625	0.0	0.0	0.0034	0.0167
No log	29.0	58	2.6383	0.0618	0.1727	0.0707	0.0	0.1642	0.0627	0.0908	0.1208	0.1608	0.0	0.1983	0.2208	0.2826	0.625	0.0	0.0	0.023	0.1625	0.0	0.0	0.0034	0.0167
No log	30.0	60	2.6375	0.0618	0.1727	0.0707	0.0	0.1642	0.0627	0.0908	0.1208	0.1608	0.0	0.1983	0.2208	0.2826	0.625	0.0	0.0	0.023	0.1625	0.0	0.0	0.0034	0.0167

Framework versions

• Transformers 4.49.0
• Pytorch 2.6.0
• Datasets 3.3.2
• Tokenizers 0.21.0