lilt-en-aadhaar2

This model is a fine-tuned version of SCUT-DLVCLab/lilt-roberta-en-base on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.0737
• Adhaar Number: {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}
• Ame: {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}
• Ather Name: {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}
• Ather Name Back: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}
• Ather Name Front Top: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}
• Ddress Back: {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68}
• Ddress Front: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}
• Ender: {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}
• Ob: {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}
• Obile Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
• Ther: {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185}
• Overall Precision: 0.9509
• Overall Recall: 0.9467
• Overall F1: 0.9488
• Overall Accuracy: 0.9953

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: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• training_steps: 2500
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Adhaar Number	Ame	Ather Name	Ather Name Back	Ather Name Front Top	Ddress Back	Ddress Front	Ender	Ob	Obile Number	Ther	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.1686	8.33	200	0.0638	{'precision': 0.8780487804878049, 'recall': 0.9230769230769231, 'f1': 0.9, 'number': 39}	{'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.8709677419354839, 'recall': 0.7941176470588235, 'f1': 0.8307692307692308, 'number': 68}	{'precision': 0.9795918367346939, 'recall': 0.9795918367346939, 'f1': 0.9795918367346939, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8852459016393442, 'recall': 0.8756756756756757, 'f1': 0.8804347826086957, 'number': 185}	0.9101	0.9	0.9050	0.9897
0.0036	16.67	400	0.0807	{'precision': 0.9047619047619048, 'recall': 0.9743589743589743, 'f1': 0.9382716049382716, 'number': 39}	{'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 3}	{'precision': 0.6521739130434783, 'recall': 0.8823529411764706, 'f1': 0.75, 'number': 17}	{'precision': 0.8571428571428571, 'recall': 1.0, 'f1': 0.923076923076923, 'number': 12}	{'precision': 0.7647058823529411, 'recall': 0.7647058823529411, 'f1': 0.7647058823529412, 'number': 68}	{'precision': 0.92, 'recall': 0.9387755102040817, 'f1': 0.9292929292929293, 'number': 49}	{'precision': 1.0, 'recall': 0.9047619047619048, 'f1': 0.9500000000000001, 'number': 21}	{'precision': 0.9565217391304348, 'recall': 1.0, 'f1': 0.9777777777777777, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8716577540106952, 'recall': 0.8810810810810811, 'f1': 0.8763440860215054, 'number': 185}	0.8664	0.8933	0.8796	0.9885
0.0027	25.0	600	0.0797	{'precision': 0.925, 'recall': 0.9487179487179487, 'f1': 0.9367088607594937, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.75, 'recall': 1.0, 'f1': 0.8571428571428571, 'number': 3}	{'precision': 0.9411764705882353, 'recall': 0.9411764705882353, 'f1': 0.9411764705882353, 'number': 17}	{'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12}	{'precision': 0.8405797101449275, 'recall': 0.8529411764705882, 'f1': 0.8467153284671534, 'number': 68}	{'precision': 0.9591836734693877, 'recall': 0.9591836734693877, 'f1': 0.9591836734693877, 'number': 49}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8870967741935484, 'recall': 0.8918918918918919, 'f1': 0.8894878706199462, 'number': 185}	0.9035	0.9156	0.9095	0.9910
0.0024	33.33	800	0.0623	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.9375, 'recall': 0.8823529411764706, 'f1': 0.9090909090909091, 'number': 68}	{'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.8695652173913043, 'recall': 0.9090909090909091, 'f1': 0.888888888888889, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9239130434782609, 'recall': 0.918918918918919, 'f1': 0.9214092140921409, 'number': 185}	0.9439	0.9356	0.9397	0.9947
0.0004	41.67	1000	0.0849	{'precision': 0.95, 'recall': 0.9743589743589743, 'f1': 0.9620253164556962, 'number': 39}	{'precision': 0.8846153846153846, 'recall': 0.9583333333333334, 'f1': 0.9199999999999999, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.8769230769230769, 'recall': 0.8382352941176471, 'f1': 0.8571428571428571, 'number': 68}	{'precision': 0.9791666666666666, 'recall': 0.9591836734693877, 'f1': 0.9690721649484536, 'number': 49}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8864864864864865, 'recall': 0.8864864864864865, 'f1': 0.8864864864864865, 'number': 185}	0.9156	0.9156	0.9156	0.9922
0.0002	50.0	1200	0.0699	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.9230769230769231, 'recall': 0.8823529411764706, 'f1': 0.9022556390977443, 'number': 68}	{'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49}	{'precision': 1.0, 'recall': 0.9047619047619048, 'f1': 0.9500000000000001, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8972972972972973, 'recall': 0.8972972972972973, 'f1': 0.8972972972972972, 'number': 185}	0.9286	0.9244	0.9265	0.9938
0.0001	58.33	1400	0.0733	{'precision': 0.95, 'recall': 0.9743589743589743, 'f1': 0.9620253164556962, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.8923076923076924, 'recall': 0.8529411764705882, 'f1': 0.8721804511278195, 'number': 68}	{'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.907608695652174, 'recall': 0.9027027027027027, 'f1': 0.9051490514905148, 'number': 185}	0.9308	0.9267	0.9287	0.9941
0.0002	66.67	1600	0.0728	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.9384615384615385, 'recall': 0.8970588235294118, 'f1': 0.9172932330827067, 'number': 68}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9139784946236559, 'recall': 0.918918918918919, 'f1': 0.9164420485175202, 'number': 185}	0.9379	0.94	0.9390	0.9947
0.0002	75.0	1800	0.0731	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68}	{'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9243243243243243, 'recall': 0.9243243243243243, 'f1': 0.9243243243243243, 'number': 185}	0.9485	0.9422	0.9454	0.9950
0.0001	83.33	2000	0.0737	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185}	0.9509	0.9467	0.9488	0.9953
0.0001	91.67	2200	0.0750	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185}	0.9509	0.9467	0.9488	0.9953
0.0001	100.0	2400	0.0751	{'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}	{'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}	{'precision': 0.9375, 'recall': 0.8823529411764706, 'f1': 0.9090909090909091, 'number': 68}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}	{'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}	{'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9243243243243243, 'recall': 0.9243243243243243, 'f1': 0.9243243243243243, 'number': 185}	0.9464	0.9422	0.9443	0.9950

Framework versions

• Transformers 4.38.2
• Pytorch 2.2.1+cu121
• Datasets 2.18.0
• Tokenizers 0.15.2