finetune-instance-segmentation-ade20k-mini-mask2former-v1

This model is a fine-tuned version of facebook/mask2former-swin-tiny-coco-instance on the qubvel-hf/ade20k-mini dataset. It achieves the following results on the evaluation set:

• Loss: 27.5494
• Map: 0.2315
• Map 50: 0.4495
• Map 75: 0.2185
• Map Small: 0.1535
• Map Medium: 0.6606
• Map Large: 0.8161
• Mar 1: 0.0981
• Mar 10: 0.2576
• Mar 100: 0.3
• Mar Small: 0.2272
• Mar Medium: 0.7189
• Mar Large: 0.8618
• Map Person: 0.1626
• Mar 100 Person: 0.2224
• Map Car: 0.3003
• Mar 100 Car: 0.3776

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: 1e-05
• train_batch_size: 8
• eval_batch_size: 8
• seed: 42
• gradient_accumulation_steps: 2
• total_train_batch_size: 16
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: constant
• num_epochs: 40.0
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Person	Mar 100 Person	Map Car	Mar 100 Car
36.7831	1.0	100	33.2768	0.1838	0.3677	0.174	0.1175	0.6012	0.7974	0.0884	0.2431	0.284	0.2104	0.7053	0.8712	0.1175	0.2014	0.25	0.3665
30.2324	2.0	200	30.8268	0.198	0.4007	0.1831	0.1321	0.6183	0.8028	0.0916	0.25	0.2885	0.2151	0.7125	0.8354	0.1331	0.2079	0.263	0.3691
28.4136	3.0	300	29.8261	0.2036	0.416	0.1849	0.1337	0.6332	0.7969	0.0934	0.2472	0.2905	0.2169	0.7162	0.8323	0.1381	0.2112	0.269	0.3697
27.5659	4.0	400	29.2926	0.2101	0.4176	0.1918	0.1371	0.6352	0.8051	0.094	0.25	0.2884	0.2143	0.7174	0.8354	0.1456	0.2107	0.2745	0.3661
26.9971	5.0	500	28.8044	0.213	0.4209	0.2016	0.1379	0.6419	0.8094	0.093	0.2499	0.2894	0.2148	0.7207	0.8441	0.1475	0.2096	0.2785	0.3692
26.42	6.0	600	28.4848	0.2196	0.4224	0.2062	0.1426	0.647	0.8046	0.0944	0.2523	0.2925	0.2188	0.7196	0.8354	0.15	0.2106	0.2892	0.3745
25.9065	7.0	700	28.2601	0.2212	0.4261	0.207	0.1444	0.6442	0.8049	0.0943	0.2527	0.2902	0.2176	0.7103	0.8323	0.153	0.2102	0.2893	0.3703
25.6766	8.0	800	28.2581	0.2209	0.4276	0.2076	0.1434	0.6485	0.8201	0.0943	0.2532	0.294	0.2197	0.7212	0.8681	0.1532	0.2122	0.2885	0.3758
25.3111	9.0	900	27.8623	0.2234	0.4318	0.2163	0.1451	0.649	0.8252	0.0951	0.2519	0.2953	0.2212	0.721	0.8649	0.1561	0.2148	0.2907	0.3757
24.9424	10.0	1000	27.8925	0.2256	0.4367	0.2129	0.1479	0.6476	0.8314	0.0953	0.2556	0.2973	0.2244	0.7159	0.8712	0.1588	0.2153	0.2923	0.3793
24.6502	11.0	1100	27.7524	0.2254	0.441	0.2163	0.1486	0.6468	0.8186	0.0952	0.2556	0.2963	0.2231	0.7167	0.8681	0.1578	0.2153	0.2929	0.3772
24.5278	12.0	1200	27.7122	0.2252	0.4349	0.2167	0.1473	0.6462	0.8237	0.0927	0.2549	0.2979	0.2251	0.7162	0.8649	0.1583	0.2165	0.2921	0.3793
24.3514	13.0	1300	27.5382	0.224	0.4345	0.2156	0.1459	0.6554	0.8324	0.0958	0.2554	0.2988	0.2251	0.722	0.8806	0.1583	0.2191	0.2897	0.3785
24.3422	14.0	1400	27.5665	0.226	0.4374	0.2172	0.1488	0.6505	0.8059	0.0974	0.2551	0.2964	0.2241	0.7141	0.8434	0.1592	0.2158	0.2928	0.377
23.9768	15.0	1500	27.7770	0.2281	0.4379	0.2215	0.1499	0.6553	0.8188	0.096	0.2553	0.2978	0.2244	0.72	0.8632	0.1599	0.2163	0.2963	0.3793
23.7005	16.0	1600	27.5535	0.227	0.4392	0.2167	0.1485	0.6509	0.8165	0.0965	0.255	0.2972	0.2241	0.7175	0.8656	0.1608	0.2164	0.2932	0.3779
23.579	17.0	1700	27.4894	0.2286	0.44	0.2209	0.1511	0.6488	0.8152	0.097	0.2583	0.2965	0.2243	0.7113	0.8601	0.162	0.2144	0.2952	0.3785
23.5004	18.0	1800	27.2188	0.2274	0.4374	0.216	0.1498	0.6512	0.7954	0.0962	0.2562	0.2969	0.2251	0.712	0.8323	0.1614	0.215	0.2933	0.3788
23.1744	19.0	1900	27.3523	0.2286	0.4391	0.2166	0.1494	0.6559	0.8203	0.0962	0.2565	0.2998	0.2274	0.7156	0.8656	0.1602	0.2174	0.297	0.3821
23.1884	20.0	2000	27.1185	0.2304	0.4395	0.2204	0.1521	0.6533	0.8004	0.0968	0.2558	0.299	0.2273	0.7131	0.8347	0.1611	0.217	0.2998	0.3809
22.9136	21.0	2100	27.4296	0.2301	0.4386	0.2197	0.1518	0.6545	0.8185	0.0968	0.2552	0.2979	0.2256	0.7123	0.8712	0.1609	0.2179	0.2992	0.3778
22.6863	22.0	2200	26.9978	0.2309	0.444	0.2196	0.1519	0.657	0.7955	0.0976	0.2543	0.2982	0.2264	0.714	0.8316	0.1624	0.2181	0.2994	0.3784
22.7741	23.0	2300	27.0703	0.23	0.4436	0.2183	0.1519	0.6508	0.8029	0.0966	0.2562	0.3001	0.229	0.7106	0.8434	0.162	0.218	0.2979	0.3823
22.4779	24.0	2400	27.0394	0.2335	0.4521	0.2252	0.1552	0.656	0.8318	0.0962	0.2598	0.3026	0.231	0.7143	0.8601	0.1624	0.2187	0.3045	0.3865
22.357	25.0	2500	27.1483	0.2304	0.4456	0.2189	0.1517	0.6586	0.8065	0.0967	0.2554	0.2996	0.2278	0.7143	0.8378	0.162	0.2187	0.2989	0.3805
22.3167	26.0	2600	27.3299	0.232	0.4438	0.2193	0.1534	0.6572	0.8221	0.0977	0.2564	0.2989	0.2267	0.7134	0.8681	0.1624	0.2176	0.3016	0.3802
22.0958	27.0	2700	27.2571	0.232	0.4438	0.2171	0.1535	0.6539	0.8268	0.0974	0.2591	0.2986	0.226	0.7153	0.8774	0.1622	0.2185	0.3018	0.3788
22.0902	28.0	2800	27.5156	0.2315	0.4482	0.2177	0.1539	0.6566	0.8265	0.0978	0.2583	0.3021	0.23	0.716	0.8719	0.1626	0.22	0.3004	0.3842
21.9943	29.0	2900	27.0142	0.2288	0.4449	0.2155	0.1511	0.6536	0.8176	0.097	0.2557	0.2984	0.2257	0.7169	0.8569	0.1616	0.2202	0.2961	0.3766
21.8843	30.0	3000	27.1738	0.2314	0.4456	0.2192	0.1534	0.6557	0.8263	0.0973	0.2587	0.3026	0.23	0.7204	0.8625	0.1629	0.2203	0.2999	0.3848
21.8635	31.0	3100	27.0658	0.2316	0.4461	0.22	0.1534	0.6582	0.8166	0.0987	0.2581	0.3013	0.2292	0.7156	0.8625	0.163	0.2188	0.3003	0.3838
21.473	32.0	3200	27.1354	0.2323	0.4493	0.219	0.1545	0.6569	0.8077	0.0966	0.259	0.3024	0.2305	0.7172	0.8507	0.1619	0.2182	0.3026	0.3866
21.6879	33.0	3300	26.9810	0.2306	0.4461	0.2178	0.1533	0.6572	0.8095	0.0983	0.2581	0.3004	0.2285	0.7146	0.8476	0.1624	0.2194	0.2989	0.3814
21.3771	34.0	3400	27.5323	0.23	0.4476	0.2149	0.1536	0.6593	0.8185	0.0968	0.2577	0.2996	0.2265	0.7204	0.8618	0.162	0.2212	0.298	0.3781
21.2772	35.0	3500	27.1451	0.2327	0.4465	0.2172	0.1544	0.6641	0.8195	0.0988	0.2597	0.3028	0.2294	0.7262	0.8594	0.1616	0.221	0.3038	0.3847
21.3682	36.0	3600	27.4698	0.2334	0.4503	0.2184	0.155	0.6608	0.8088	0.0985	0.2574	0.3013	0.2292	0.7164	0.8594	0.1657	0.223	0.3011	0.3797
21.0417	37.0	3700	27.2499	0.2354	0.4523	0.2211	0.1569	0.6643	0.8224	0.0998	0.2604	0.3037	0.2307	0.7243	0.8562	0.1654	0.2209	0.3054	0.3865
21.0664	38.0	3800	27.3426	0.2304	0.4437	0.2159	0.1516	0.6568	0.8071	0.0986	0.2566	0.2993	0.227	0.7164	0.8451	0.1641	0.2198	0.2967	0.3788
21.0042	39.0	3900	27.7720	0.2315	0.4449	0.2182	0.1528	0.6611	0.8214	0.0994	0.2594	0.2994	0.2265	0.7191	0.8594	0.1604	0.2161	0.3026	0.3827
20.8548	40.0	4000	27.5494	0.2315	0.4495	0.2185	0.1535	0.6606	0.8161	0.0981	0.2576	0.3	0.2272	0.7189	0.8618	0.1626	0.2224	0.3003	0.3776

Framework versions

• Transformers 4.42.0.dev0
• Pytorch 1.13.0+cu117
• Datasets 2.18.0
• Tokenizers 0.19.1