segformer-b0-finetuned-xorder-dish-segmentation-trial

This model is a fine-tuned version of nvidia/mit-b0 on the vhug/xorder_dish dataset. It achieves the following results on the evaluation set:

• Loss: 0.0061
• Mean Iou: 0.0
• Mean Accuracy: nan
• Overall Accuracy: nan
• Accuracy Object: nan
• Iou Object: 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: 6e-05
• train_batch_size: 2
• eval_batch_size: 2
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 50

Training results

Training Loss	Epoch	Step	Validation Loss	Mean Iou	Mean Accuracy	Overall Accuracy	Accuracy Object	Iou Object
0.2499	0.24	20	0.4007	0.0	nan	nan	nan	0.0
0.1703	0.49	40	0.1925	0.0	nan	nan	nan	0.0
0.1665	0.73	60	0.1499	0.0	nan	nan	nan	0.0
0.1813	0.98	80	0.1669	0.0	nan	nan	nan	0.0
0.139	1.22	100	0.1323	0.0	nan	nan	nan	0.0
0.1336	1.46	120	0.1200	0.0	nan	nan	nan	0.0
0.0994	1.71	140	0.1078	0.0	nan	nan	nan	0.0
0.1125	1.95	160	0.0983	0.0	nan	nan	nan	0.0
0.0945	2.2	180	0.0879	0.0	nan	nan	nan	0.0
0.1448	2.44	200	0.0839	0.0	nan	nan	nan	0.0
0.0715	2.68	220	0.0756	0.0	nan	nan	nan	0.0
0.0901	2.93	240	0.0727	0.0	nan	nan	nan	0.0
0.0959	3.17	260	0.0615	0.0	nan	nan	nan	0.0
0.0609	3.41	280	0.0676	0.0	nan	nan	nan	0.0
0.0478	3.66	300	0.0545	0.0	nan	nan	nan	0.0
0.0899	3.9	320	0.0534	0.0	nan	nan	nan	0.0
0.0632	4.15	340	0.0509	0.0	nan	nan	nan	0.0
0.0601	4.39	360	0.0389	0.0	nan	nan	nan	0.0
0.0422	4.63	380	0.0549	0.0	nan	nan	nan	0.0
0.0526	4.88	400	0.0470	0.0	nan	nan	nan	0.0
0.0418	5.12	420	0.0410	0.0	nan	nan	nan	0.0
0.0505	5.37	440	0.0389	0.0	nan	nan	nan	0.0
0.0602	5.61	460	0.0417	0.0	nan	nan	nan	0.0
0.0292	5.85	480	0.0351	0.0	nan	nan	nan	0.0
0.0433	6.1	500	0.0327	0.0	nan	nan	nan	0.0
0.0478	6.34	520	0.0336	0.0	nan	nan	nan	0.0
0.0253	6.59	540	0.0310	0.0	nan	nan	nan	0.0
0.0486	6.83	560	0.0297	0.0	nan	nan	nan	0.0
0.0426	7.07	580	0.0320	0.0	nan	nan	nan	0.0
0.0253	7.32	600	0.0268	0.0	nan	nan	nan	0.0
0.0445	7.56	620	0.0299	0.0	nan	nan	nan	0.0
0.0252	7.8	640	0.0277	0.0	nan	nan	nan	0.0
0.0327	8.05	660	0.0246	0.0	nan	nan	nan	0.0
0.0258	8.29	680	0.0261	0.0	nan	nan	nan	0.0
0.0216	8.54	700	0.0249	0.0	nan	nan	nan	0.0
0.0206	8.78	720	0.0223	0.0	nan	nan	nan	0.0
0.0205	9.02	740	0.0223	0.0	nan	nan	nan	0.0
0.0204	9.27	760	0.0214	0.0	nan	nan	nan	0.0
0.0392	9.51	780	0.0205	0.0	nan	nan	nan	0.0
0.0304	9.76	800	0.0211	0.0	nan	nan	nan	0.0
0.0225	10.0	820	0.0203	0.0	nan	nan	nan	0.0
0.0154	10.24	840	0.0189	0.0	nan	nan	nan	0.0
0.0179	10.49	860	0.0178	0.0	nan	nan	nan	0.0
0.0319	10.73	880	0.0185	0.0	nan	nan	nan	0.0
0.0148	10.98	900	0.0181	0.0	nan	nan	nan	0.0
0.0204	11.22	920	0.0174	0.0	nan	nan	nan	0.0
0.0197	11.46	940	0.0182	0.0	nan	nan	nan	0.0
0.0173	11.71	960	0.0162	0.0	nan	nan	nan	0.0
0.0209	11.95	980	0.0174	0.0	nan	nan	nan	0.0
0.0251	12.2	1000	0.0159	0.0	nan	nan	nan	0.0
0.0173	12.44	1020	0.0165	0.0	nan	nan	nan	0.0
0.0153	12.68	1040	0.0141	0.0	nan	nan	nan	0.0
0.0166	12.93	1060	0.0163	0.0	nan	nan	nan	0.0
0.0394	13.17	1080	0.0158	0.0	nan	nan	nan	0.0
0.013	13.41	1100	0.0140	0.0	nan	nan	nan	0.0
0.0141	13.66	1120	0.0138	0.0	nan	nan	nan	0.0
0.0199	13.9	1140	0.0148	0.0	nan	nan	nan	0.0
0.0132	14.15	1160	0.0130	0.0	nan	nan	nan	0.0
0.0289	14.39	1180	0.0141	0.0	nan	nan	nan	0.0
0.0141	14.63	1200	0.0136	0.0	nan	nan	nan	0.0
0.0131	14.88	1220	0.0143	0.0	nan	nan	nan	0.0
0.0116	15.12	1240	0.0124	0.0	nan	nan	nan	0.0
0.0138	15.37	1260	0.0124	0.0	nan	nan	nan	0.0
0.0119	15.61	1280	0.0121	0.0	nan	nan	nan	0.0
0.018	15.85	1300	0.0138	0.0	nan	nan	nan	0.0
0.0142	16.1	1320	0.0119	0.0	nan	nan	nan	0.0
0.01	16.34	1340	0.0119	0.0	nan	nan	nan	0.0
0.0133	16.59	1360	0.0124	0.0	nan	nan	nan	0.0
0.0104	16.83	1380	0.0113	0.0	nan	nan	nan	0.0
0.0142	17.07	1400	0.0117	0.0	nan	nan	nan	0.0
0.0114	17.32	1420	0.0121	0.0	nan	nan	nan	0.0
0.0131	17.56	1440	0.0112	0.0	nan	nan	nan	0.0
0.0105	17.8	1460	0.0111	0.0	nan	nan	nan	0.0
0.0096	18.05	1480	0.0115	0.0	nan	nan	nan	0.0
0.0127	18.29	1500	0.0117	0.0	nan	nan	nan	0.0
0.0094	18.54	1520	0.0106	0.0	nan	nan	nan	0.0
0.0091	18.78	1540	0.0107	0.0	nan	nan	nan	0.0
0.0099	19.02	1560	0.0106	0.0	nan	nan	nan	0.0
0.0105	19.27	1580	0.0106	0.0	nan	nan	nan	0.0
0.0082	19.51	1600	0.0095	0.0	nan	nan	nan	0.0
0.0095	19.76	1620	0.0097	0.0	nan	nan	nan	0.0
0.0089	20.0	1640	0.0096	0.0	nan	nan	nan	0.0
0.0092	20.24	1660	0.0096	0.0	nan	nan	nan	0.0
0.0259	20.49	1680	0.0100	0.0	nan	nan	nan	0.0
0.0152	20.73	1700	0.0101	0.0	nan	nan	nan	0.0
0.0108	20.98	1720	0.0096	0.0	nan	nan	nan	0.0
0.009	21.22	1740	0.0094	0.0	nan	nan	nan	0.0
0.0116	21.46	1760	0.0099	0.0	nan	nan	nan	0.0
0.0094	21.71	1780	0.0095	0.0	nan	nan	nan	0.0
0.012	21.95	1800	0.0098	0.0	nan	nan	nan	0.0
0.0079	22.2	1820	0.0094	0.0	nan	nan	nan	0.0
0.0074	22.44	1840	0.0093	0.0	nan	nan	nan	0.0
0.0088	22.68	1860	0.0088	0.0	nan	nan	nan	0.0
0.0178	22.93	1880	0.0096	0.0	nan	nan	nan	0.0
0.0103	23.17	1900	0.0090	0.0	nan	nan	nan	0.0
0.0117	23.41	1920	0.0086	0.0	nan	nan	nan	0.0
0.0144	23.66	1940	0.0091	0.0	nan	nan	nan	0.0
0.0086	23.9	1960	0.0088	0.0	nan	nan	nan	0.0
0.0118	24.15	1980	0.0093	0.0	nan	nan	nan	0.0
0.0103	24.39	2000	0.0098	0.0	nan	nan	nan	0.0
0.0094	24.63	2020	0.0085	0.0	nan	nan	nan	0.0
0.0069	24.88	2040	0.0087	0.0	nan	nan	nan	0.0
0.0118	25.12	2060	0.0087	0.0	nan	nan	nan	0.0
0.0076	25.37	2080	0.0082	0.0	nan	nan	nan	0.0
0.0093	25.61	2100	0.0082	0.0	nan	nan	nan	0.0
0.0091	25.85	2120	0.0082	0.0	nan	nan	nan	0.0
0.017	26.1	2140	0.0085	0.0	nan	nan	nan	0.0
0.0067	26.34	2160	0.0087	0.0	nan	nan	nan	0.0
0.0072	26.59	2180	0.0081	0.0	nan	nan	nan	0.0
0.007	26.83	2200	0.0084	0.0	nan	nan	nan	0.0
0.0099	27.07	2220	0.0083	0.0	nan	nan	nan	0.0
0.0101	27.32	2240	0.0084	0.0	nan	nan	nan	0.0
0.0073	27.56	2260	0.0084	0.0	nan	nan	nan	0.0
0.0079	27.8	2280	0.0076	0.0	nan	nan	nan	0.0
0.0071	28.05	2300	0.0077	0.0	nan	nan	nan	0.0
0.0069	28.29	2320	0.0074	0.0	nan	nan	nan	0.0
0.0091	28.54	2340	0.0084	0.0	nan	nan	nan	0.0
0.008	28.78	2360	0.0081	0.0	nan	nan	nan	0.0
0.0069	29.02	2380	0.0079	0.0	nan	nan	nan	0.0
0.0079	29.27	2400	0.0073	0.0	nan	nan	nan	0.0
0.0102	29.51	2420	0.0077	0.0	nan	nan	nan	0.0
0.0074	29.76	2440	0.0079	0.0	nan	nan	nan	0.0
0.0096	30.0	2460	0.0076	0.0	nan	nan	nan	0.0
0.0093	30.24	2480	0.0078	0.0	nan	nan	nan	0.0
0.0052	30.49	2500	0.0073	0.0	nan	nan	nan	0.0
0.0072	30.73	2520	0.0078	0.0	nan	nan	nan	0.0
0.0066	30.98	2540	0.0073	0.0	nan	nan	nan	0.0
0.0077	31.22	2560	0.0076	0.0	nan	nan	nan	0.0
0.0073	31.46	2580	0.0073	0.0	nan	nan	nan	0.0
0.0064	31.71	2600	0.0073	0.0	nan	nan	nan	0.0
0.0063	31.95	2620	0.0072	0.0	nan	nan	nan	0.0
0.0055	32.2	2640	0.0069	0.0	nan	nan	nan	0.0
0.0081	32.44	2660	0.0075	0.0	nan	nan	nan	0.0
0.0149	32.68	2680	0.0076	0.0	nan	nan	nan	0.0
0.0107	32.93	2700	0.0071	0.0	nan	nan	nan	0.0
0.007	33.17	2720	0.0071	0.0	nan	nan	nan	0.0
0.0061	33.41	2740	0.0073	0.0	nan	nan	nan	0.0
0.0092	33.66	2760	0.0076	0.0	nan	nan	nan	0.0
0.0069	33.9	2780	0.0068	0.0	nan	nan	nan	0.0
0.0059	34.15	2800	0.0069	0.0	nan	nan	nan	0.0
0.0081	34.39	2820	0.0069	0.0	nan	nan	nan	0.0
0.009	34.63	2840	0.0072	0.0	nan	nan	nan	0.0
0.0068	34.88	2860	0.0070	0.0	nan	nan	nan	0.0
0.0069	35.12	2880	0.0068	0.0	nan	nan	nan	0.0
0.0053	35.37	2900	0.0069	0.0	nan	nan	nan	0.0
0.0086	35.61	2920	0.0072	0.0	nan	nan	nan	0.0
0.0062	35.85	2940	0.0069	0.0	nan	nan	nan	0.0
0.0062	36.1	2960	0.0071	0.0	nan	nan	nan	0.0
0.0052	36.34	2980	0.0067	0.0	nan	nan	nan	0.0
0.0064	36.59	3000	0.0068	0.0	nan	nan	nan	0.0
0.0048	36.83	3020	0.0070	0.0	nan	nan	nan	0.0
0.0076	37.07	3040	0.0073	0.0	nan	nan	nan	0.0
0.0098	37.32	3060	0.0067	0.0	nan	nan	nan	0.0
0.0071	37.56	3080	0.0069	0.0	nan	nan	nan	0.0
0.0067	37.8	3100	0.0071	0.0	nan	nan	nan	0.0
0.0072	38.05	3120	0.0067	0.0	nan	nan	nan	0.0
0.0076	38.29	3140	0.0070	0.0	nan	nan	nan	0.0
0.0053	38.54	3160	0.0069	0.0	nan	nan	nan	0.0
0.0064	38.78	3180	0.0068	0.0	nan	nan	nan	0.0
0.0057	39.02	3200	0.0067	0.0	nan	nan	nan	0.0
0.0063	39.27	3220	0.0067	0.0	nan	nan	nan	0.0
0.0063	39.51	3240	0.0065	0.0	nan	nan	nan	0.0
0.0086	39.76	3260	0.0069	0.0	nan	nan	nan	0.0
0.0056	40.0	3280	0.0066	0.0	nan	nan	nan	0.0
0.005	40.24	3300	0.0065	0.0	nan	nan	nan	0.0
0.0058	40.49	3320	0.0064	0.0	nan	nan	nan	0.0
0.0047	40.73	3340	0.0066	0.0	nan	nan	nan	0.0
0.0064	40.98	3360	0.0067	0.0	nan	nan	nan	0.0
0.0087	41.22	3380	0.0068	0.0	nan	nan	nan	0.0
0.0054	41.46	3400	0.0068	0.0	nan	nan	nan	0.0
0.0058	41.71	3420	0.0065	0.0	nan	nan	nan	0.0
0.0058	41.95	3440	0.0064	0.0	nan	nan	nan	0.0
0.0054	42.2	3460	0.0065	0.0	nan	nan	nan	0.0
0.0055	42.44	3480	0.0063	0.0	nan	nan	nan	0.0
0.0047	42.68	3500	0.0066	0.0	nan	nan	nan	0.0
0.0075	42.93	3520	0.0065	0.0	nan	nan	nan	0.0
0.0052	43.17	3540	0.0064	0.0	nan	nan	nan	0.0
0.0062	43.41	3560	0.0067	0.0	nan	nan	nan	0.0
0.0062	43.66	3580	0.0062	0.0	nan	nan	nan	0.0
0.0091	43.9	3600	0.0064	0.0	nan	nan	nan	0.0
0.0061	44.15	3620	0.0062	0.0	nan	nan	nan	0.0
0.0047	44.39	3640	0.0065	0.0	nan	nan	nan	0.0
0.0056	44.63	3660	0.0062	0.0	nan	nan	nan	0.0
0.005	44.88	3680	0.0065	0.0	nan	nan	nan	0.0
0.005	45.12	3700	0.0064	0.0	nan	nan	nan	0.0
0.0053	45.37	3720	0.0066	0.0	nan	nan	nan	0.0
0.0074	45.61	3740	0.0065	0.0	nan	nan	nan	0.0
0.007	45.85	3760	0.0062	0.0	nan	nan	nan	0.0
0.0047	46.1	3780	0.0063	0.0	nan	nan	nan	0.0
0.0047	46.34	3800	0.0061	0.0	nan	nan	nan	0.0
0.0058	46.59	3820	0.0062	0.0	nan	nan	nan	0.0
0.0064	46.83	3840	0.0067	0.0	nan	nan	nan	0.0
0.0044	47.07	3860	0.0063	0.0	nan	nan	nan	0.0
0.0049	47.32	3880	0.0062	0.0	nan	nan	nan	0.0
0.0091	47.56	3900	0.0065	0.0	nan	nan	nan	0.0
0.0046	47.8	3920	0.0064	0.0	nan	nan	nan	0.0
0.0055	48.05	3940	0.0063	0.0	nan	nan	nan	0.0
0.0045	48.29	3960	0.0062	0.0	nan	nan	nan	0.0
0.006	48.54	3980	0.0064	0.0	nan	nan	nan	0.0
0.0074	48.78	4000	0.0066	0.0	nan	nan	nan	0.0
0.0046	49.02	4020	0.0064	0.0	nan	nan	nan	0.0
0.006	49.27	4040	0.0063	0.0	nan	nan	nan	0.0
0.0057	49.51	4060	0.0068	0.0	nan	nan	nan	0.0
0.0069	49.76	4080	0.0066	0.0	nan	nan	nan	0.0
0.0064	50.0	4100	0.0061	0.0	nan	nan	nan	0.0

Framework versions

• Transformers 4.28.1
• Pytorch 2.0.0+cu118
• Datasets 2.11.0
• Tokenizers 0.13.3