rtdetr-r50-cppe5-finetune-v3

This model is a fine-tuned version of PekingU/rtdetr_r50vd_coco_o365 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 10.9472
• Map: 0.3704
• Map 50: 0.5798
• Map 75: 0.3751
• Map Small: 0.1898
• Map Medium: 0.3794
• Map Large: 0.4798
• Mar 1: 0.3002
• Mar 10: 0.5262
• Mar 100: 0.6137
• Mar Small: 0.4445
• Mar Medium: 0.5564
• Mar Large: 0.8118
• Map Coverall: 0.4594
• Mar 100 Coverall: 0.6795
• Map Face Shield: 0.4864
• Mar 100 Face Shield: 0.6412
• Map Gloves: 0.3727
• Mar 100 Gloves: 0.6322
• Map Goggles: 0.1661
• Mar 100 Goggles: 0.4586
• Map Mask: 0.3674
• Mar 100 Mask: 0.6569

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
• num_epochs: 30
• 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 Coverall	Mar 100 Coverall	Map Face Shield	Mar 100 Face Shield	Map Gloves	Mar 100 Gloves	Map Goggles	Mar 100 Goggles	Map Mask	Mar 100 Mask
No log	1.0	107	113.2495	0.011	0.0228	0.0089	0.0002	0.0063	0.0248	0.0285	0.1032	0.1933	0.0311	0.1471	0.3682	0.053	0.5482	0.0002	0.1316	0.0001	0.0379	0.0	0.0169	0.0016	0.232
No log	2.0	214	18.6938	0.1584	0.2939	0.1442	0.0773	0.1147	0.2221	0.1645	0.3785	0.4702	0.303	0.4358	0.7243	0.4389	0.6694	0.0065	0.4266	0.0819	0.4272	0.0187	0.3585	0.2462	0.4693
No log	3.0	321	12.9839	0.226	0.3923	0.2176	0.1203	0.1804	0.4483	0.2371	0.427	0.5082	0.3272	0.4915	0.7484	0.4397	0.668	0.0681	0.4608	0.1557	0.4585	0.1696	0.4662	0.2969	0.4876
No log	4.0	428	12.4463	0.215	0.4188	0.1966	0.1012	0.1805	0.4172	0.2229	0.4095	0.4812	0.2833	0.4737	0.6995	0.3622	0.6716	0.1302	0.4975	0.1221	0.4205	0.1687	0.3754	0.2916	0.4409
83.7659	5.0	535	12.3391	0.2336	0.465	0.2029	0.1382	0.2226	0.5186	0.2355	0.4423	0.5212	0.3433	0.5183	0.7393	0.2065	0.6703	0.2304	0.5051	0.1915	0.45	0.2376	0.4785	0.3021	0.5022
83.7659	6.0	642	12.3727	0.2059	0.3923	0.1857	0.1211	0.2121	0.4664	0.2274	0.4292	0.5156	0.3612	0.504	0.7148	0.1794	0.6694	0.2126	0.5329	0.1643	0.4455	0.1688	0.42	0.3042	0.5102
83.7659	7.0	749	12.7240	0.2058	0.41	0.1759	0.1217	0.2158	0.4525	0.2295	0.4086	0.4943	0.3464	0.4782	0.7071	0.2036	0.6077	0.2208	0.5013	0.1332	0.4201	0.2176	0.4323	0.2539	0.5102
83.7659	8.0	856	13.0090	0.2015	0.3831	0.1849	0.1056	0.2061	0.4551	0.2227	0.4194	0.5332	0.3719	0.5245	0.7451	0.2041	0.6482	0.1889	0.5747	0.1627	0.4692	0.1792	0.4462	0.2727	0.5276
83.7659	9.0	963	12.9929	0.2136	0.4059	0.1897	0.1307	0.1946	0.4823	0.2372	0.4132	0.5178	0.3559	0.5187	0.7195	0.2503	0.6248	0.22	0.5177	0.2002	0.4799	0.1888	0.46	0.2088	0.5067
12.788	10.0	1070	13.2438	0.1824	0.3375	0.1626	0.1	0.1911	0.4538	0.2061	0.3935	0.5026	0.3561	0.5017	0.6963	0.176	0.5644	0.1629	0.5228	0.1649	0.4741	0.1767	0.4769	0.2312	0.4747
12.788	11.0	1177	13.0890	0.2074	0.3885	0.1917	0.0937	0.1761	0.4555	0.2372	0.4106	0.508	0.3414	0.4956	0.7394	0.353	0.6599	0.182	0.4924	0.1565	0.4924	0.1524	0.4092	0.1931	0.4862
12.788	12.0	1284	12.2541	0.2428	0.44	0.2248	0.1213	0.202	0.5041	0.2484	0.4125	0.4938	0.3264	0.4726	0.7146	0.4213	0.6428	0.2319	0.4861	0.1937	0.4844	0.1301	0.32	0.2371	0.536
12.788	13.0	1391	13.4175	0.1572	0.2948	0.1408	0.0731	0.1404	0.4109	0.208	0.3659	0.4667	0.3022	0.4576	0.6952	0.2418	0.6063	0.1828	0.4835	0.1402	0.4826	0.0575	0.2754	0.1637	0.4858
12.788	14.0	1498	13.0720	0.2018	0.371	0.1912	0.0984	0.1543	0.4649	0.2229	0.3936	0.4802	0.2958	0.4639	0.715	0.3978	0.6392	0.2001	0.4734	0.1828	0.4884	0.077	0.3015	0.1512	0.4987
10.7992	15.0	1605	13.1509	0.2093	0.3882	0.1946	0.1149	0.1733	0.4644	0.2398	0.4148	0.4899	0.3288	0.4689	0.696	0.3568	0.6099	0.2329	0.5025	0.1722	0.4902	0.1078	0.3415	0.1767	0.5053
10.7992	16.0	1712	13.5416	0.1865	0.3502	0.1691	0.0943	0.1519	0.4479	0.2219	0.3868	0.4732	0.3295	0.4422	0.6977	0.3045	0.5698	0.2009	0.4949	0.1642	0.4728	0.0954	0.3554	0.1676	0.4729
10.7992	17.0	1819	13.8027	0.1419	0.2558	0.134	0.0598	0.1091	0.3792	0.2014	0.3602	0.4583	0.2925	0.4245	0.6809	0.2747	0.6063	0.1398	0.4709	0.1221	0.4504	0.0503	0.2877	0.1223	0.476
10.7992	18.0	1926	13.1241	0.205	0.389	0.1896	0.1006	0.1856	0.4619	0.2273	0.3813	0.4531	0.2848	0.4267	0.6944	0.3898	0.5995	0.2296	0.4848	0.1864	0.442	0.0754	0.2892	0.1436	0.4498
9.7939	19.0	2033	13.4709	0.2089	0.3828	0.1894	0.1018	0.1797	0.4627	0.2357	0.4	0.4783	0.3083	0.4537	0.6973	0.4201	0.6414	0.2105	0.5101	0.1717	0.4598	0.115	0.3215	0.1273	0.4587
9.7939	20.0	2140	13.6381	0.1755	0.3379	0.1459	0.0909	0.1501	0.4149	0.2176	0.3734	0.441	0.2658	0.4223	0.6946	0.3267	0.5896	0.1912	0.4861	0.1899	0.4446	0.0553	0.24	0.1146	0.4449
9.7939	21.0	2247	13.6187	0.1785	0.3454	0.159	0.0906	0.158	0.41	0.2274	0.3754	0.4539	0.2919	0.4327	0.6825	0.322	0.582	0.1915	0.4861	0.1896	0.4558	0.0585	0.2877	0.1307	0.4578
9.7939	22.0	2354	13.6789	0.1736	0.3213	0.1547	0.0804	0.1572	0.3997	0.2114	0.3971	0.4766	0.3206	0.4618	0.7021	0.3437	0.5995	0.2031	0.5215	0.1468	0.4647	0.0694	0.3477	0.1053	0.4493
9.7939	23.0	2461	13.5973	0.1853	0.3484	0.163	0.0873	0.1661	0.4546	0.2201	0.3794	0.4493	0.2877	0.4317	0.6857	0.3301	0.5847	0.2031	0.4937	0.1784	0.4317	0.0745	0.2938	0.1405	0.4427
9.0938	24.0	2568	13.2147	0.2232	0.4117	0.2114	0.1183	0.1953	0.4989	0.2347	0.3911	0.4575	0.3023	0.4273	0.6881	0.3994	0.6032	0.204	0.4734	0.2114	0.4621	0.1332	0.3062	0.1683	0.4427
9.0938	25.0	2675	13.4741	0.183	0.3428	0.1701	0.0874	0.1512	0.4309	0.2035	0.3643	0.4371	0.2686	0.4134	0.6784	0.3489	0.5842	0.1923	0.4443	0.1939	0.4469	0.0618	0.2938	0.1183	0.4164
9.0938	26.0	2782	13.6609	0.1955	0.3825	0.1691	0.1002	0.1798	0.4468	0.2164	0.3665	0.4337	0.2749	0.4048	0.6729	0.3661	0.5761	0.2018	0.4392	0.1914	0.4393	0.098	0.2954	0.1204	0.4187
9.0938	27.0	2889	13.5787	0.2059	0.384	0.1917	0.1021	0.1888	0.4571	0.224	0.3871	0.4541	0.2992	0.4273	0.6842	0.3905	0.5806	0.2016	0.4835	0.1938	0.45	0.1011	0.3092	0.1423	0.4471
9.0938	28.0	2996	13.2892	0.2043	0.3784	0.192	0.099	0.1847	0.4577	0.2276	0.386	0.456	0.3049	0.4245	0.6931	0.3972	0.5991	0.1786	0.4797	0.2112	0.4567	0.0698	0.2938	0.1646	0.4507
8.5991	29.0	3103	13.5481	0.2103	0.3954	0.197	0.11	0.1973	0.4571	0.225	0.3865	0.4592	0.3234	0.4292	0.6822	0.3794	0.5748	0.202	0.4823	0.2086	0.4616	0.1024	0.3185	0.1591	0.4591
8.5991	30.0	3210	13.5758	0.2024	0.3781	0.186	0.1041	0.1897	0.4491	0.2214	0.3882	0.46	0.3184	0.4341	0.6808	0.3815	0.5779	0.1844	0.4734	0.2072	0.458	0.0877	0.3323	0.1511	0.4582

Framework versions

• Transformers 4.42.0.dev0
• Pytorch 2.1.0+cu118
• Datasets 2.19.1
• Tokenizers 0.19.1