layoutxlm-finetuned-kumon

This model is a fine-tuned version of microsoft/layoutxlm-base on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.0869
• カット寸法 Precision: 0.8571
• カット寸法 Recall: 0.5455
• カット寸法 F1: 0.6667
• カット寸法 Number: 22
• フルート Precision: 0.8947
• フルート Recall: 0.9444
• フルート F1: 0.9189
• フルート Number: 18
• 寸法 Precision: 0.8
• 寸法 Recall: 1.0
• 寸法 F1: 0.8889
• 寸法 Number: 16
• 数量 Precision: 0.95
• 数量 Recall: 0.95
• 数量 F1: 0.9500
• 数量 Number: 20
• 材質 Precision: 1.0
• 材質 Recall: 1.0
• 材質 F1: 1.0
• 材質 Number: 24
• 納期 Precision: 1.0
• 納期 Recall: 1.0
• 納期 F1: 1.0
• 納期 Number: 21
• Overall Precision: 0.9237
• Overall Recall: 0.9008
• Overall F1: 0.9121
• Overall Accuracy: 0.9862

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: 2e-05
• train_batch_size: 8
• eval_batch_size: 8
• seed: 0
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.1
• num_epochs: 10
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	カット寸法 Precision	カット寸法 Recall	カット寸法 F1	カット寸法 Number	フルート Precision	フルート Recall	フルート F1	フルート Number	寸法 Precision	寸法 Recall	寸法 F1	寸法 Number	数量 Precision	数量 Recall	数量 F1	数量 Number	材質 Precision	材質 Recall	材質 F1	材質 Number	納期 Precision	納期 Recall	納期 F1	納期 Number	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.3146	1.0	23	0.3481	0.0	0.0	0.0	22	0.0	0.0	0.0	18	0.0	0.0	0.0	16	0.0	0.0	0.0	20	0.0	0.0	0.0	24	0.0	0.0	0.0	21	0.0	0.0	0.0	0.8930
0.3295	2.0	46	0.1314	0.4762	0.4545	0.4651	22	0.9167	0.6111	0.7333	18	0.6522	0.9375	0.7692	16	0.9474	0.9	0.9231	20	0.6087	0.5833	0.5957	24	0.5769	0.7143	0.6383	21	0.6694	0.6860	0.6776	0.9641
0.1176	3.0	69	0.0860	0.7857	0.5	0.6111	22	0.8889	0.8889	0.8889	18	0.8	1.0	0.8889	16	1.0	0.95	0.9744	20	1.0	0.8333	0.9091	24	1.0	0.9048	0.9500	21	0.9182	0.8347	0.8745	0.9805
0.0126	4.0	92	0.0756	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	0.9524	0.8333	0.8889	24	0.9524	0.9524	0.9524	21	0.9043	0.8595	0.8814	0.9817
0.0071	5.0	115	0.0743	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	1.0	0.9167	0.9565	24	1.0	1.0	1.0	21	0.9224	0.8843	0.9030	0.9849
0.0044	6.0	138	0.0849	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	1.0	0.9583	0.9787	24	1.0	1.0	1.0	21	0.9231	0.8926	0.9076	0.9855
0.0018	7.0	161	0.0796	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	1.0	0.9583	0.9787	24	1.0	1.0	1.0	21	0.9231	0.8926	0.9076	0.9855
0.0017	8.0	184	0.0836	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	1.0	1.0	1.0	24	1.0	1.0	1.0	21	0.9237	0.9008	0.9121	0.9862
0.0032	9.0	207	0.0869	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	1.0	1.0	1.0	24	1.0	1.0	1.0	21	0.9237	0.9008	0.9121	0.9862
0.0048	10.0	230	0.0869	0.8571	0.5455	0.6667	22	0.8947	0.9444	0.9189	18	0.8	1.0	0.8889	16	0.95	0.95	0.9500	20	1.0	1.0	1.0	24	1.0	1.0	1.0	21	0.9237	0.9008	0.9121	0.9862

Framework versions

• Transformers 4.38.2
• Pytorch 2.1.0+cu121
• Datasets 2.18.0
• Tokenizers 0.15.2