objects76/synthetic-all-2.25sec-250417_1010

synthetic-speaker-all2

This model is a fine-tuned version of pyannote/segmentation-3.0 on the objects76/synthetic-all2 dataset. It achieves the following results on the evaluation set:

• Loss: 0.4266
• Der: 0.1475
• False Alarm: 0.0400
• Missed Detection: 0.0642
• Confusion: 0.0433

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: 80

Training results

Training Loss	Epoch	Step	Validation Loss	Der	False Alarm	Missed Detection	Confusion
No log	1.0	4	1.2677	0.3767	0.0840	0.1112	0.1814
No log	2.0	8	1.1144	0.3767	0.0840	0.1112	0.1814
No log	3.0	12	1.0708	0.3767	0.0840	0.1112	0.1814
No log	4.0	16	1.0541	0.3767	0.0840	0.1112	0.1814
No log	5.0	20	1.0195	0.3767	0.0840	0.1112	0.1814
No log	6.0	24	0.9842	0.3767	0.0840	0.1112	0.1814
1.1207	7.0	28	0.9609	0.3385	0.0392	0.1215	0.1778
1.1207	8.0	32	0.9318	0.3373	0.0169	0.1557	0.1647
1.1207	9.0	36	0.8868	0.3277	0.0104	0.1518	0.1655
1.1207	10.0	40	0.8940	0.3260	0.0074	0.1523	0.1663
1.1207	11.0	44	0.8631	0.3231	0.0070	0.1486	0.1675
1.1207	12.0	48	0.8561	0.3268	0.0060	0.1559	0.1649
0.9018	13.0	52	0.8517	0.3298	0.0050	0.1618	0.1631
0.9018	14.0	56	0.8261	0.3204	0.0096	0.1416	0.1692
0.9018	15.0	60	0.8320	0.3166	0.0147	0.1345	0.1674
0.9018	16.0	64	0.8043	0.3049	0.0073	0.1456	0.1520
0.9018	17.0	68	0.7775	0.3031	0.0046	0.1555	0.1429
0.9018	18.0	72	0.7423	0.2865	0.0122	0.1371	0.1372
0.79	19.0	76	0.7498	0.2938	0.0071	0.1470	0.1397
0.79	20.0	80	0.7526	0.2795	0.0083	0.1427	0.1284
0.79	21.0	84	0.7275	0.2706	0.0075	0.1434	0.1197
0.79	22.0	88	0.7311	0.2673	0.0051	0.1511	0.1111
0.79	23.0	92	0.7051	0.2492	0.0080	0.1442	0.0970
0.79	24.0	96	0.7256	0.2582	0.0042	0.1571	0.0969
0.7096	25.0	100	0.7401	0.2700	0.0092	0.1403	0.1206
0.7096	26.0	104	0.6983	0.2612	0.0094	0.1387	0.1130
0.7096	27.0	108	0.6808	0.2476	0.0173	0.1294	0.1008
0.7096	28.0	112	0.6524	0.2390	0.0141	0.1319	0.0930
0.7096	29.0	116	0.6656	0.2489	0.0093	0.1391	0.1004
0.7096	30.0	120	0.6416	0.2370	0.0188	0.1279	0.0903
0.7096	31.0	124	0.6209	0.2324	0.0171	0.1294	0.0859
0.6372	32.0	128	0.5997	0.2279	0.0093	0.1365	0.0821
0.6372	33.0	132	0.5951	0.2217	0.0201	0.1202	0.0814
0.6372	34.0	136	0.5830	0.2156	0.0293	0.1134	0.0729
0.6372	35.0	140	0.5635	0.2025	0.0172	0.1177	0.0675
0.6372	36.0	144	0.5500	0.2041	0.0402	0.0901	0.0739
0.6372	37.0	148	0.5361	0.1938	0.0308	0.0987	0.0642
0.5249	38.0	152	0.5577	0.2000	0.0172	0.1114	0.0714
0.5249	39.0	156	0.5340	0.1940	0.0502	0.0777	0.0661
0.5249	40.0	160	0.5264	0.1908	0.0529	0.0735	0.0644
0.5249	41.0	164	0.5225	0.1871	0.0259	0.0974	0.0638
0.5249	42.0	168	0.5010	0.1789	0.0270	0.0924	0.0595
0.5249	43.0	172	0.5001	0.1764	0.0340	0.0854	0.0571
0.4598	44.0	176	0.5402	0.1868	0.0465	0.0750	0.0653
0.4598	45.0	180	0.5087	0.1753	0.0255	0.0948	0.0550
0.4598	46.0	184	0.5051	0.1816	0.0708	0.0581	0.0526
0.4598	47.0	188	0.4836	0.1722	0.0600	0.0641	0.0482
0.4598	48.0	192	0.5098	0.1847	0.0714	0.0600	0.0534
0.4598	49.0	196	0.4915	0.1752	0.0293	0.0854	0.0605
0.4239	50.0	200	0.4727	0.1685	0.0368	0.0818	0.0499
0.4239	51.0	204	0.4709	0.1655	0.0638	0.0565	0.0452
0.4239	52.0	208	0.4611	0.1641	0.0538	0.0623	0.0481
0.4239	53.0	212	0.4597	0.1626	0.0335	0.0768	0.0523
0.4239	54.0	216	0.4669	0.1622	0.0379	0.0728	0.0515
0.4239	55.0	220	0.4536	0.1612	0.0466	0.0628	0.0517
0.4239	56.0	224	0.4576	0.1640	0.0487	0.0663	0.0490
0.3873	57.0	228	0.4575	0.1598	0.0424	0.0669	0.0504
0.3873	58.0	232	0.4396	0.1531	0.0428	0.0650	0.0454
0.3873	59.0	236	0.4496	0.1589	0.0524	0.0595	0.0470
0.3873	60.0	240	0.4441	0.1559	0.0314	0.0790	0.0455
0.3873	61.0	244	0.4526	0.1604	0.0726	0.0487	0.0390
0.3873	62.0	248	0.4389	0.1542	0.0299	0.0786	0.0458
0.3667	63.0	252	0.4377	0.1539	0.0543	0.0560	0.0436
0.3667	64.0	256	0.4343	0.1504	0.0374	0.0693	0.0437
0.3667	65.0	260	0.4317	0.1527	0.0550	0.0557	0.0420
0.3667	66.0	264	0.4279	0.1484	0.0342	0.0703	0.0439
0.3667	67.0	268	0.4303	0.1496	0.0438	0.0635	0.0423
0.3667	68.0	272	0.4270	0.1480	0.0407	0.0629	0.0445
0.3426	69.0	276	0.4220	0.1466	0.0374	0.0657	0.0434
0.3426	70.0	280	0.4284	0.1492	0.0429	0.0633	0.0431
0.3426	71.0	284	0.4313	0.1486	0.0369	0.0676	0.0441
0.3426	72.0	288	0.4284	0.1481	0.0416	0.0633	0.0431
0.3426	73.0	292	0.4275	0.1474	0.0415	0.0627	0.0432
0.3426	74.0	296	0.4246	0.1471	0.0410	0.0631	0.0430
0.3326	75.0	300	0.4259	0.1473	0.0410	0.0634	0.0429
0.3326	76.0	304	0.4262	0.1477	0.0402	0.0641	0.0434
0.3326	77.0	308	0.4271	0.1476	0.0395	0.0644	0.0437
0.3326	78.0	312	0.4264	0.1475	0.0399	0.0643	0.0433
0.3326	79.0	316	0.4267	0.1475	0.0400	0.0642	0.0433
0.3326	80.0	320	0.4266	0.1475	0.0400	0.0642	0.0433

Framework versions

• Transformers 4.51.0
• Pytorch 2.6.0+cu124
• Datasets 3.5.0
• Tokenizers 0.21.1