DETR

This model is a fine-tuned version of facebook/detr-resnet-50-dc5 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 1.6175
• Map: 0.0235
• Map 50: 0.0454
• Map 75: 0.0236
• Map Small: 0.0
• Map Medium: 0.0065
• Map Large: 0.0651
• Mar 1: 0.0428
• Mar 10: 0.1393
• Mar 100: 0.3049
• Mar Small: 0.0
• Mar Medium: 0.2244
• Mar Large: 0.4274
• Map D10: 0.0131
• Mar 100 D10: 0.3508
• Map D20: 0.0574
• Mar 100 D20: 0.564
• Map D40: 0.0
• Mar 100 D40: 0.0

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: 4
• eval_batch_size: 4
• seed: 42
• optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• training_steps: 10000
• 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 D0	Mar 100 D0	Map D10	Mar 100 D10	Map D20	Mar 100 D20	Map D40	Mar 100 D40
5.176	0.1238	200	4.6596	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0003	0.0	0.0	0.0015	-1.0	-1.0	0.0	0.0008	0.0	0.0	0.0	0.0
3.0396	0.2475	400	3.5515	0.0	0.0001	0.0	0.0	0.0001	0.0001	0.0	0.0067	0.0307	0.0	0.0333	0.045	-1.0	-1.0	0.0	0.0	0.0001	0.092	0.0	0.0
2.95	0.3713	600	3.2961	0.0001	0.0003	0.0	0.0	0.0	0.0003	0.0	0.0027	0.0613	0.0	0.0	0.115	0.0	0.0	0.0002	0.184	0.0	0.0
2.6609	0.4950	800	3.3303	0.0001	0.0006	0.0	0.0	0.0001	0.0003	0.0	0.008	0.072	0.0	0.0467	0.1175	0.0	0.0	0.0004	0.216	0.0	0.0
3.2776	0.6188	1000	3.0383	0.0002	0.0007	0.0	0.0	0.0002	0.0003	0.0	0.008	0.0733	0.0	0.0467	0.12	0.0	0.0	0.0005	0.22	0.0	0.0
2.7712	0.7426	1200	2.9071	0.0004	0.0015	0.0	0.0	0.0022	0.0006	0.0	0.0253	0.0627	0.0	0.0333	0.105	0.0	0.0	0.0011	0.188	0.0	0.0
2.4005	0.8663	1400	2.7352	0.001	0.0069	0.0001	0.0	0.0023	0.0018	0.0013	0.0227	0.0907	0.0	0.06	0.1475	0.0	0.0	0.003	0.272	0.0	0.0
2.6812	0.9901	1600	2.5448	0.0009	0.0037	0.0001	0.0	0.0005	0.0016	0.004	0.0267	0.0987	0.0	0.06	0.1625	0.0	0.0	0.0026	0.296	0.0	0.0
1.8313	1.1139	1800	2.3839	0.0009	0.003	0.0	0.0	0.0002	0.0018	0.008	0.02	0.1173	0.0	0.1067	0.18	0.0	0.0	0.0028	0.352	0.0	0.0
2.6377	1.2376	2000	2.3837	0.0013	0.0033	0.0004	0.0	0.0001	0.0023	0.0	0.0347	0.1253	0.0	0.0667	0.21	0.0	0.0	0.0038	0.376	0.0	0.0
1.919	1.3614	2200	2.4226	0.0021	0.0078	0.0001	0.0	0.0001	0.0039	0.004	0.028	0.1227	0.0	0.0467	0.2125	0.0	0.0	0.0064	0.368	0.0	0.0
2.1093	1.4851	2400	2.3144	0.006	0.0232	0.0011	0.0	0.0	0.0109	0.0093	0.0307	0.12	0.0	0.0533	0.205	0.0	0.0	0.0179	0.36	0.0	0.0
2.4712	1.6089	2600	2.1712	0.0045	0.0271	0.0002	0.0	0.0001	0.0082	0.0061	0.0381	0.1355	0.0	0.0811	0.2225	0.0001	0.0024	0.0135	0.404	0.0	0.0
1.6899	1.7327	2800	2.1685	0.0053	0.0234	0.0004	0.0	0.0002	0.0096	0.0123	0.0456	0.1269	0.0	0.0689	0.21	0.0001	0.0048	0.0158	0.376	0.0	0.0
2.2178	1.8564	3000	2.0968	0.0049	0.0198	0.0004	0.0	0.0002	0.0087	0.0104	0.0291	0.1344	0.0	0.0748	0.2225	0.0001	0.0032	0.0145	0.4	0.0	0.0
1.8933	1.9802	3200	2.0313	0.0083	0.025	0.0006	0.0	0.0007	0.0145	0.0144	0.0429	0.1535	0.0	0.0847	0.245	0.0011	0.0246	0.024	0.436	0.0	0.0
1.853	2.1040	3400	2.0302	0.0068	0.0188	0.0045	0.0	0.0008	0.0119	0.0088	0.0455	0.161	0.0	0.1331	0.2325	0.0007	0.0429	0.0196	0.44	0.0	0.0
2.0421	2.2277	3600	1.9522	0.0207	0.0411	0.0193	0.0	0.0011	0.0369	0.0243	0.0638	0.1649	0.0	0.0889	0.2475	0.0018	0.0627	0.0603	0.432	0.0	0.0
1.8444	2.3515	3800	2.0036	0.0147	0.0308	0.02	0.0	0.0013	0.0268	0.0227	0.0788	0.1709	0.0	0.1521	0.2219	0.0016	0.1008	0.0425	0.412	0.0	0.0
1.6694	2.4752	4000	1.9610	0.0219	0.0511	0.0122	0.0	0.0019	0.0398	0.0232	0.0776	0.1888	0.0	0.1421	0.2569	0.0034	0.1063	0.0624	0.46	0.0	0.0
2.3946	2.5990	4200	2.0770	0.0108	0.0275	0.0083	0.0	0.0018	0.0197	0.0197	0.0792	0.1907	0.0	0.1258	0.2709	0.0033	0.1	0.029	0.472	0.0	0.0
2.4217	2.7228	4400	1.9638	0.021	0.0442	0.0115	0.0	0.004	0.0464	0.041	0.1054	0.2092	0.0	0.1873	0.2597	0.0047	0.1675	0.0583	0.46	0.0	0.0
1.6397	2.8465	4600	1.9357	0.0216	0.0519	0.0047	0.0	0.0031	0.048	0.0341	0.0923	0.2212	0.0	0.1441	0.3116	0.0055	0.1476	0.0592	0.516	0.0	0.0
1.9243	2.9703	4800	1.8502	0.016	0.0432	0.0039	0.0	0.0034	0.0347	0.0226	0.0791	0.231	0.0	0.1428	0.3194	0.0072	0.1929	0.041	0.5	0.0	0.0
1.6861	3.0941	5000	1.9368	0.0189	0.0463	0.0114	0.0	0.0031	0.0368	0.0296	0.0848	0.2233	0.0	0.1311	0.3112	0.0063	0.1619	0.0505	0.508	0.0	0.0
1.9067	3.2178	5200	1.8978	0.0169	0.0433	0.0074	0.0	0.0041	0.0449	0.0309	0.081	0.2381	0.0	0.1179	0.3378	0.0084	0.2143	0.0422	0.5	0.0	0.0
2.3952	3.3416	5400	1.8205	0.0156	0.0393	0.0099	0.0	0.0037	0.0402	0.0234	0.0938	0.2529	0.0	0.214	0.3157	0.0077	0.2508	0.0391	0.508	0.0	0.0
1.7741	3.4653	5600	1.7616	0.0256	0.057	0.0269	0.0	0.0045	0.0726	0.0301	0.0879	0.2614	0.0	0.1933	0.3504	0.0097	0.2563	0.067	0.528	0.0	0.0
1.5789	3.5891	5800	1.8325	0.0216	0.0437	0.0189	0.0064	0.0032	0.0411	0.0706	0.137	0.2674	0.0625	0.1486	0.314	0.0064	0.2063	0.0542	0.496	0.0043	0.1
1.631	3.7129	6000	1.8235	0.0209	0.0442	0.0203	0.0035	0.0036	0.0411	0.0583	0.1205	0.2719	0.0375	0.2023	0.3185	0.0065	0.2198	0.0543	0.536	0.0019	0.06
1.9591	3.8366	6200	1.6983	0.0195	0.0438	0.012	0.0	0.0054	0.0464	0.0322	0.0967	0.2888	0.0	0.2202	0.4049	0.0126	0.2865	0.046	0.58	0.0	0.0
1.7331	3.9604	6400	1.7687	0.0193	0.0422	0.016	0.0	0.0046	0.0485	0.0314	0.1196	0.2662	0.0	0.1969	0.3584	0.0095	0.2627	0.0484	0.536	0.0	0.0
1.5073	4.0842	6600	1.7121	0.0211	0.0444	0.022	0.0	0.005	0.0472	0.0309	0.1175	0.2625	0.0	0.1658	0.3643	0.0107	0.2714	0.0525	0.516	0.0	0.0
1.9417	4.2079	6800	1.7394	0.0264	0.049	0.0244	0.0012	0.0055	0.0582	0.0461	0.1449	0.2889	0.0125	0.2006	0.3824	0.0113	0.2746	0.0671	0.572	0.0007	0.02
1.8069	4.3317	7000	1.7050	0.0244	0.0497	0.0223	0.0	0.0051	0.0641	0.0484	0.1316	0.2643	0.0	0.1977	0.3856	0.0118	0.273	0.0614	0.52	0.0	0.0
1.2717	4.4554	7200	1.6229	0.0268	0.0508	0.0255	0.0	0.0078	0.0583	0.0468	0.1427	0.293	0.0	0.2127	0.4259	0.0182	0.3111	0.0621	0.568	0.0	0.0
1.8009	4.5792	7400	1.6753	0.0236	0.0533	0.0115	0.0	0.0053	0.0566	0.042	0.1215	0.284	0.0	0.222	0.3743	0.011	0.2921	0.0598	0.56	0.0	0.0
1.8661	4.7030	7600	1.6594	0.0234	0.0429	0.0232	0.0	0.0055	0.06	0.045	0.1372	0.2938	0.0	0.2174	0.4115	0.0116	0.3333	0.0586	0.548	0.0	0.0
1.5983	4.8267	7800	1.6727	0.0206	0.0436	0.0123	0.0	0.0056	0.0529	0.0447	0.1407	0.2986	0.0	0.2537	0.3909	0.0108	0.3278	0.051	0.568	0.0	0.0
2.0424	4.9505	8000	1.7269	0.0302	0.0571	0.0391	0.0	0.0062	0.0693	0.0431	0.1223	0.2887	0.0	0.2152	0.3659	0.0112	0.3222	0.0793	0.544	0.0	0.0
1.3068	5.0743	8200	1.6624	0.0233	0.0437	0.0233	0.0	0.0059	0.0579	0.0426	0.1324	0.293	0.0	0.2378	0.385	0.0109	0.319	0.0589	0.56	0.0	0.0
1.7284	5.1980	8400	1.6596	0.0286	0.0553	0.0327	0.0	0.0067	0.0699	0.0497	0.1385	0.2959	0.0	0.2515	0.3932	0.013	0.3278	0.0728	0.56	0.0	0.0
2.2819	5.3218	8600	1.6320	0.0221	0.0446	0.0151	0.0	0.0061	0.058	0.045	0.142	0.3095	0.0	0.2607	0.4043	0.013	0.3484	0.0533	0.58	0.0	0.0
1.2565	5.4455	8800	1.6319	0.0241	0.0507	0.0224	0.0	0.0057	0.0567	0.0399	0.1444	0.2943	0.0	0.2259	0.3918	0.0113	0.3429	0.061	0.54	0.0	0.0
2.0009	5.5693	9000	1.6232	0.0228	0.0461	0.0226	0.0	0.006	0.056	0.0405	0.1401	0.3026	0.0	0.2203	0.4063	0.0122	0.3437	0.0563	0.564	0.0	0.0
1.1549	5.6931	9200	1.6247	0.0241	0.0472	0.0221	0.0	0.0065	0.0703	0.0455	0.1297	0.3044	0.0	0.2236	0.4165	0.0144	0.3611	0.0579	0.552	0.0	0.0
1.3283	5.8168	9400	1.6025	0.0243	0.0497	0.023	0.0	0.0064	0.0683	0.0383	0.1299	0.3044	0.0	0.214	0.421	0.0137	0.3532	0.0592	0.56	0.0	0.0
1.9137	5.9406	9600	1.6489	0.0234	0.0454	0.024	0.0	0.0065	0.0713	0.0418	0.1353	0.3055	0.0	0.2311	0.4166	0.0127	0.3444	0.0576	0.572	0.0	0.0
1.8353	6.0644	9800	1.6261	0.0234	0.0451	0.0237	0.0	0.0064	0.0638	0.0426	0.1372	0.306	0.0	0.2318	0.4229	0.0127	0.35	0.0576	0.568	0.0	0.0
1.5491	6.1881	10000	1.6175	0.0235	0.0454	0.0236	0.0	0.0065	0.0651	0.0428	0.1393	0.3049	0.0	0.2244	0.4274	0.0131	0.3508	0.0574	0.564	0.0	0.0

Framework versions

• Transformers 4.47.0
• Pytorch 2.5.1+cu121
• Datasets 3.2.0
• Tokenizers 0.21.0