segformer-finetuned-segments-plantleafdisease-may-13
This model is a fine-tuned version of nancyalarabawy/segformer-finetuned-segments-plantleafdisease-mar-21 on the nancyalarabawy/PlantDiseaseAug1 dataset. It achieves the following results on the evaluation set:
- Loss: 0.0198
- Mean Iou: 0.8146
- Mean Accuracy: 0.8729
- Overall Accuracy: 0.9922
- Accuracy Unlabeled: nan
- Accuracy Healthy: 0.9853
- Accuracy Blast: nan
- Accuracy Background: 0.9982
- Accuracy Alstonia herpes: nan
- Accuracy Mango anthracnose: 0.8236
- Accuracy Pomengrate spots: 0.7701
- Accuracy Blight spots: nan
- Accuracy Chlorisis: nan
- Accuracy Leaf spots: nan
- Accuracy Apple scab: 0.7872
- Accuracy Black rot: nan
- Accuracy Cedar rust: nan
- Iou Unlabeled: nan
- Iou Healthy: 0.9691
- Iou Blast: nan
- Iou Background: 0.9961
- Iou Alstonia herpes: nan
- Iou Mango anthracnose: 0.7059
- Iou Pomengrate spots: 0.7195
- Iou Blight spots: nan
- Iou Chlorisis: nan
- Iou Leaf spots: nan
- Iou Apple scab: 0.6825
- Iou Black rot: nan
- Iou Cedar rust: nan
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: 6e-05
- train_batch_size: 8
- eval_batch_size: 8
- seed: 42
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- num_epochs: 30
Training results
Training Loss | Epoch | Step | Validation Loss | Mean Iou | Mean Accuracy | Overall Accuracy | Accuracy Unlabeled | Accuracy Healthy | Accuracy Blast | Accuracy Background | Accuracy Alstonia herpes | Accuracy Mango anthracnose | Accuracy Pomengrate spots | Accuracy Blight spots | Accuracy Chlorisis | Accuracy Leaf spots | Accuracy Apple scab | Accuracy Black rot | Accuracy Cedar rust | Iou Unlabeled | Iou Healthy | Iou Blast | Iou Background | Iou Alstonia herpes | Iou Mango anthracnose | Iou Pomengrate spots | Iou Blight spots | Iou Chlorisis | Iou Leaf spots | Iou Apple scab | Iou Black rot | Iou Cedar rust |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0.8546 | 2.0 | 20 | 0.0228 | 0.7815 | 0.8838 | 0.9907 | nan | 0.9788 | nan | 0.9972 | nan | 0.8576 | 0.7253 | nan | nan | nan | 0.8600 | nan | nan | nan | 0.9633 | nan | 0.9955 | nan | 0.6553 | 0.6297 | nan | nan | nan | 0.6636 | nan | nan |
0.0117 | 4.0 | 40 | 0.0225 | 0.7920 | 0.8942 | 0.9913 | nan | 0.9816 | nan | 0.9978 | nan | 0.8647 | 0.8193 | nan | nan | nan | 0.8075 | nan | nan | nan | 0.9656 | nan | 0.9958 | nan | 0.6606 | 0.6720 | nan | nan | nan | 0.6660 | nan | nan |
0.0354 | 6.0 | 60 | 0.0220 | 0.7867 | 0.8390 | 0.9915 | nan | 0.9844 | nan | 0.9977 | nan | 0.7514 | 0.6654 | nan | nan | nan | 0.7960 | nan | nan | nan | 0.9665 | nan | 0.9959 | nan | 0.6757 | 0.6338 | nan | nan | nan | 0.6618 | nan | nan |
0.0339 | 8.0 | 80 | 0.0227 | 0.7843 | 0.8888 | 0.9908 | nan | 0.9759 | nan | 0.9983 | nan | 0.8599 | 0.7532 | nan | nan | nan | 0.8565 | nan | nan | nan | 0.9636 | nan | 0.9960 | nan | 0.6729 | 0.6416 | nan | nan | nan | 0.6472 | nan | nan |
0.0143 | 10.0 | 100 | 0.0214 | 0.7971 | 0.8609 | 0.9918 | nan | 0.9853 | nan | 0.9981 | nan | 0.8425 | 0.7220 | nan | nan | nan | 0.7568 | nan | nan | nan | 0.9675 | nan | 0.9959 | nan | 0.6839 | 0.6746 | nan | nan | nan | 0.6635 | nan | nan |
0.0193 | 12.0 | 120 | 0.0213 | 0.8127 | 0.8858 | 0.9917 | nan | 0.9824 | nan | 0.9980 | nan | 0.8435 | 0.7855 | nan | nan | nan | 0.8197 | nan | nan | nan | 0.9672 | nan | 0.9958 | nan | 0.7001 | 0.7229 | nan | nan | nan | 0.6775 | nan | nan |
0.4003 | 14.0 | 140 | 0.0210 | 0.8040 | 0.8707 | 0.9919 | nan | 0.9830 | nan | 0.9985 | nan | 0.8521 | 0.7303 | nan | nan | nan | 0.7898 | nan | nan | nan | 0.9678 | nan | 0.9958 | nan | 0.6897 | 0.6891 | nan | nan | nan | 0.6778 | nan | nan |
0.0186 | 16.0 | 160 | 0.0204 | 0.8069 | 0.8610 | 0.9921 | nan | 0.9865 | nan | 0.9977 | nan | 0.7996 | 0.7324 | nan | nan | nan | 0.7889 | nan | nan | nan | 0.9686 | nan | 0.9959 | nan | 0.7005 | 0.6879 | nan | nan | nan | 0.6814 | nan | nan |
0.0528 | 18.0 | 180 | 0.0203 | 0.8141 | 0.8911 | 0.9921 | nan | 0.9846 | nan | 0.9984 | nan | 0.8349 | 0.8615 | nan | nan | nan | 0.7760 | nan | nan | nan | 0.9688 | nan | 0.9960 | nan | 0.7006 | 0.7265 | nan | nan | nan | 0.6786 | nan | nan |
0.0158 | 20.0 | 200 | 0.0200 | 0.8159 | 0.8860 | 0.9921 | nan | 0.9837 | nan | 0.9982 | nan | 0.8421 | 0.7953 | nan | nan | nan | 0.8105 | nan | nan | nan | 0.9687 | nan | 0.9961 | nan | 0.6965 | 0.7335 | nan | nan | nan | 0.6847 | nan | nan |
0.0221 | 22.0 | 220 | 0.0201 | 0.8084 | 0.8677 | 0.9920 | nan | 0.9848 | nan | 0.9981 | nan | 0.8287 | 0.7357 | nan | nan | nan | 0.7913 | nan | nan | nan | 0.9685 | nan | 0.9959 | nan | 0.6999 | 0.6957 | nan | nan | nan | 0.6819 | nan | nan |
0.2549 | 24.0 | 240 | 0.0198 | 0.8074 | 0.8619 | 0.9921 | nan | 0.9858 | nan | 0.9983 | nan | 0.8290 | 0.7303 | nan | nan | nan | 0.7663 | nan | nan | nan | 0.9688 | nan | 0.9960 | nan | 0.7047 | 0.6929 | nan | nan | nan | 0.6747 | nan | nan |
0.0276 | 26.0 | 260 | 0.0200 | 0.8128 | 0.8723 | 0.9921 | nan | 0.9844 | nan | 0.9985 | nan | 0.8355 | 0.7588 | nan | nan | nan | 0.7845 | nan | nan | nan | 0.9688 | nan | 0.9960 | nan | 0.7067 | 0.7104 | nan | nan | nan | 0.6820 | nan | nan |
0.0267 | 28.0 | 280 | 0.0198 | 0.8129 | 0.8686 | 0.9922 | nan | 0.9856 | nan | 0.9982 | nan | 0.8178 | 0.7603 | nan | nan | nan | 0.7811 | nan | nan | nan | 0.9691 | nan | 0.9961 | nan | 0.7051 | 0.7129 | nan | nan | nan | 0.6814 | nan | nan |
0.0183 | 30.0 | 300 | 0.0198 | 0.8146 | 0.8729 | 0.9922 | nan | 0.9853 | nan | 0.9982 | nan | 0.8236 | 0.7701 | nan | nan | nan | 0.7872 | nan | nan | nan | 0.9691 | nan | 0.9961 | nan | 0.7059 | 0.7195 | nan | nan | nan | 0.6825 | nan | nan |
Framework versions
- Transformers 4.40.2
- Pytorch 2.2.1+cu121
- Datasets 2.19.1
- Tokenizers 0.19.1
- Downloads last month
- 3