objects76/full-rsup_eval-2.25sec-250513_1109

full-eval-ja-522-pivot

This model is a fine-tuned version of pyannote/segmentation-3.0 on the objects76/rsup-eval-ja-522-250513 dataset. It achieves the following results on the evaluation set:

• Loss: 0.7260
• Der: 0.2451
• False Alarm: 0.0501
• Missed Detection: 0.1370
• Confusion: 0.0579

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: 2048
• eval_batch_size: 2048
• 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: 200

Training results

Training Loss	Epoch	Step	Validation Loss	Der	False Alarm	Missed Detection	Confusion
No log	1.0	1	1.3787	0.4863	0.0407	0.2177	0.2279
No log	2.0	2	1.3678	0.4526	0.0501	0.1370	0.2655
No log	3.0	3	1.3538	0.4526	0.0501	0.1370	0.2655
No log	4.0	4	1.3302	0.4526	0.0501	0.1370	0.2655
No log	5.0	5	1.2866	0.4526	0.0501	0.1370	0.2655
No log	6.0	6	1.2250	0.4526	0.0501	0.1370	0.2655
No log	7.0	7	1.1777	0.4526	0.0501	0.1370	0.2655
No log	8.0	8	1.1856	0.4526	0.0501	0.1370	0.2655
No log	9.0	9	1.2031	0.4526	0.0501	0.1370	0.2655
No log	10.0	10	1.1904	0.4526	0.0501	0.1370	0.2655
No log	11.0	11	1.1680	0.4526	0.0501	0.1370	0.2655
No log	12.0	12	1.1535	0.4526	0.0501	0.1370	0.2655
No log	13.0	13	1.1492	0.4526	0.0501	0.1370	0.2655
No log	14.0	14	1.1495	0.4526	0.0501	0.1370	0.2655
No log	15.0	15	1.1498	0.4526	0.0501	0.1370	0.2655
No log	16.0	16	1.1489	0.4526	0.0501	0.1370	0.2655
No log	17.0	17	1.1472	0.4526	0.0501	0.1370	0.2655
No log	18.0	18	1.1465	0.4526	0.0501	0.1370	0.2655
No log	19.0	19	1.1478	0.4526	0.0501	0.1370	0.2655
No log	20.0	20	1.1504	0.4526	0.0501	0.1370	0.2655
No log	21.0	21	1.1519	0.4526	0.0501	0.1370	0.2655
No log	22.0	22	1.1523	0.4526	0.0501	0.1370	0.2655
No log	23.0	23	1.1512	0.4526	0.0501	0.1370	0.2655
No log	24.0	24	1.1492	0.4526	0.0501	0.1370	0.2655
1.1857	25.0	25	1.1470	0.4526	0.0501	0.1370	0.2655
1.1857	26.0	26	1.1445	0.4526	0.0501	0.1370	0.2655
1.1857	27.0	27	1.1416	0.4526	0.0501	0.1370	0.2655
1.1857	28.0	28	1.1394	0.4526	0.0501	0.1370	0.2655
1.1857	29.0	29	1.1369	0.4526	0.0501	0.1370	0.2655
1.1857	30.0	30	1.1354	0.4526	0.0501	0.1370	0.2655
1.1857	31.0	31	1.1340	0.4526	0.0501	0.1370	0.2655
1.1857	32.0	32	1.1328	0.4503	0.0501	0.1370	0.2631
1.1857	33.0	33	1.0884	0.4307	0.0501	0.1370	0.2435
1.1857	34.0	34	1.0495	0.3814	0.0501	0.1370	0.1942
1.1857	35.0	35	1.0340	0.2475	0.0501	0.1370	0.0603
1.1857	36.0	36	1.0111	0.3258	0.0501	0.1370	0.1386
1.1857	37.0	37	0.9765	0.2803	0.0501	0.1370	0.0932
1.1857	38.0	38	0.9547	0.2443	0.0501	0.1370	0.0572
1.1857	39.0	39	0.9093	0.2428	0.0501	0.1370	0.0556
1.1857	40.0	40	0.8913	0.2475	0.0501	0.1370	0.0603
1.1857	41.0	41	0.8402	0.2412	0.0501	0.1370	0.0540
1.1857	42.0	42	0.8096	0.2373	0.0501	0.1370	0.0501
1.1857	43.0	43	0.7950	0.2404	0.0501	0.1370	0.0532
1.1857	44.0	44	0.7625	0.2428	0.0501	0.1370	0.0556
1.1857	45.0	45	0.7550	0.2420	0.0501	0.1370	0.0548
1.1857	46.0	46	0.7273	0.2381	0.0501	0.1370	0.0509
1.1857	47.0	47	0.7126	0.2396	0.0501	0.1370	0.0525
1.1857	48.0	48	0.7289	0.2459	0.0501	0.1370	0.0587
1.1857	49.0	49	0.6965	0.2381	0.0501	0.1370	0.0509
0.9285	50.0	50	0.6970	0.2420	0.0619	0.1323	0.0478
0.9285	51.0	51	0.7081	0.2388	0.0603	0.1308	0.0478
0.9285	52.0	52	0.6896	0.2373	0.0720	0.1261	0.0392
0.9285	53.0	53	0.6952	0.2412	0.0752	0.1261	0.0399
0.9285	54.0	54	0.7025	0.2365	0.0642	0.1284	0.0439
0.9285	55.0	55	0.6864	0.2341	0.0713	0.1253	0.0376
0.9285	56.0	56	0.6920	0.2357	0.0713	0.1261	0.0384
0.9285	57.0	57	0.7058	0.2396	0.0658	0.1284	0.0454
0.9285	58.0	58	0.6878	0.2334	0.0681	0.1284	0.0368
0.9285	59.0	59	0.7039	0.2388	0.0634	0.1308	0.0446
0.9285	60.0	60	0.7155	0.2365	0.0532	0.1339	0.0493
0.9285	61.0	61	0.7017	0.2373	0.0540	0.1355	0.0478
0.9285	62.0	62	0.7291	0.2475	0.0501	0.1370	0.0603
0.9285	63.0	63	0.7072	0.2381	0.0501	0.1370	0.0509
0.9285	64.0	64	0.7189	0.2357	0.0501	0.1370	0.0486
0.9285	65.0	65	0.7260	0.2451	0.0501	0.1370	0.0579

Framework versions

• Transformers 4.51.3
• Pytorch 2.6.0+cu124
• Datasets 3.5.0
• Tokenizers 0.21.1