Super_Detection_Model

This model is a fine-tuned version of facebook/detr-resnet-50 on the None dataset. It achieves the following results on the evaluation set:

• Loss: 1.1666
• Map: 0.1631
• Map 50: 0.3094
• Map 75: 0.1578
• Map Small: 0.136
• Map Medium: 0.2597
• Map Large: 0.1753
• Mar 1: 0.1149
• Mar 10: 0.2246
• Mar 100: 0.2567
• Mar Small: 0.2577
• Mar Medium: 0.3214
• Mar Large: 0.3473
• Map Car: 0.2921
• Mar 100 Car: 0.4101
• Map Hgv: 0.3204
• Mar 100 Hgv: 0.4958
• Map Motorcycle: 0.0399
• Mar 100 Motorcycle: 0.1208
• Map Other: 0.0
• Mar 100 Other: 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: 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: cosine
• num_epochs: 30

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 Car	Mar 100 Car	Map Hgv	Mar 100 Hgv	Map Motorcycle	Mar 100 Motorcycle	Map Other	Mar 100 Other
2.0243	1.0	1431	1.8261	0.0224	0.0754	0.0071	0.0205	0.073	0.0404	0.0153	0.0488	0.0703	0.0623	0.1422	0.1632	0.0879	0.2349	0.0016	0.0462	0.0	0.0	0.0	0.0
1.8222	2.0	2862	1.7582	0.0263	0.0793	0.011	0.0243	0.0842	0.0618	0.0282	0.0689	0.089	0.0681	0.1561	0.2498	0.0964	0.2493	0.0088	0.1068	0.0	0.0	0.0	0.0
1.7513	3.0	4293	1.8670	0.0326	0.095	0.016	0.0262	0.0968	0.0393	0.0394	0.0846	0.1004	0.0673	0.1735	0.1284	0.0925	0.2213	0.038	0.1803	0.0	0.0	0.0	0.0
1.7318	4.0	5724	1.6184	0.0444	0.1157	0.0264	0.0343	0.1308	0.0531	0.054	0.1232	0.1544	0.1096	0.2494	0.2399	0.1154	0.2994	0.0624	0.318	0.0	0.0	0.0	0.0
1.7005	5.0	7155	1.6096	0.0563	0.1434	0.038	0.0381	0.1361	0.069	0.057	0.1142	0.1376	0.0907	0.2308	0.2079	0.1249	0.2756	0.1002	0.2749	0.0	0.0	0.0	0.0
1.6242	6.0	8586	1.5605	0.0566	0.1396	0.0399	0.0408	0.1475	0.0656	0.0599	0.1303	0.1603	0.1173	0.2522	0.2842	0.116	0.2961	0.1095	0.3421	0.0008	0.003	0.0	0.0
1.6339	7.0	10017	1.5466	0.0677	0.1558	0.0514	0.0509	0.1477	0.0708	0.0609	0.1372	0.1654	0.141	0.2481	0.2283	0.1688	0.3031	0.1015	0.3348	0.0007	0.0238	0.0	0.0
1.611	8.0	11448	1.6296	0.0656	0.1601	0.0465	0.0447	0.1513	0.0639	0.0581	0.1229	0.1461	0.1028	0.2445	0.2403	0.1505	0.2771	0.1093	0.2967	0.0025	0.0107	0.0	0.0
1.5769	9.0	12879	1.5218	0.0817	0.1811	0.0655	0.0614	0.1676	0.0751	0.0699	0.1476	0.1762	0.1485	0.2602	0.2574	0.1837	0.2981	0.1349	0.343	0.0083	0.0637	0.0	0.0
1.5192	10.0	14310	1.5124	0.0858	0.1911	0.0722	0.0558	0.1774	0.0845	0.0726	0.1462	0.1731	0.1398	0.2583	0.2369	0.1615	0.3079	0.1738	0.3261	0.0079	0.0583	0.0	0.0
1.5417	11.0	15741	1.4493	0.0985	0.212	0.084	0.0715	0.1935	0.0993	0.077	0.1521	0.1775	0.1501	0.2581	0.2797	0.1938	0.3146	0.187	0.331	0.0133	0.0643	0.0	0.0
1.4639	12.0	17172	1.4144	0.1015	0.2209	0.0849	0.0756	0.1908	0.0964	0.0779	0.1578	0.1821	0.1632	0.2614	0.3029	0.2114	0.3273	0.1803	0.3355	0.0141	0.0655	0.0	0.0
1.4552	13.0	18603	1.4097	0.098	0.2143	0.0784	0.0756	0.1834	0.0974	0.0793	0.172	0.2072	0.1964	0.2771	0.2915	0.2084	0.3444	0.1679	0.3982	0.0159	0.0863	0.0	0.0
1.4135	14.0	20034	1.3709	0.1232	0.2537	0.1064	0.1001	0.2153	0.098	0.0957	0.1857	0.2135	0.1966	0.2919	0.3075	0.233	0.3451	0.2224	0.4144	0.0373	0.0946	0.0	0.0
1.3648	15.0	21465	1.3388	0.1261	0.2621	0.1064	0.0997	0.22	0.1053	0.0956	0.1931	0.223	0.2157	0.2928	0.2985	0.2378	0.3632	0.2348	0.4318	0.0317	0.097	0.0	0.0
1.3848	16.0	22896	1.3085	0.1221	0.2473	0.1119	0.0891	0.2217	0.1163	0.098	0.1889	0.2181	0.202	0.3679	0.3138	0.223	0.3537	0.2482	0.4275	0.0172	0.0911	0.0	0.0
1.3514	17.0	24327	1.2929	0.1308	0.2737	0.1113	0.0987	0.2308	0.1232	0.1009	0.1995	0.2286	0.2175	0.2992	0.3208	0.2345	0.3652	0.2544	0.4416	0.0344	0.1077	0.0	0.0
1.3502	18.0	25758	1.2871	0.1304	0.272	0.1161	0.0992	0.2295	0.1483	0.0975	0.1936	0.2225	0.2081	0.2928	0.3418	0.2451	0.3704	0.2546	0.4224	0.0217	0.097	0.0	0.0
1.2679	19.0	27189	1.2635	0.1347	0.2762	0.121	0.1035	0.2416	0.1493	0.1051	0.2019	0.2318	0.2171	0.4472	0.3478	0.2477	0.3708	0.2594	0.4334	0.0316	0.1232	0.0	0.0
1.2864	20.0	28620	1.2418	0.1428	0.2839	0.1278	0.1093	0.2477	0.1554	0.1082	0.2071	0.2397	0.2309	0.4281	0.3248	0.2608	0.3873	0.2756	0.4506	0.0349	0.1208	0.0	0.0
1.2492	21.0	30051	1.2324	0.151	0.2957	0.14	0.1187	0.2491	0.1583	0.1131	0.2166	0.2485	0.2471	0.314	0.329	0.2675	0.3891	0.2996	0.4835	0.037	0.1214	0.0	0.0
1.2282	22.0	31482	1.2092	0.1561	0.3021	0.1477	0.1281	0.2522	0.1707	0.1146	0.2187	0.2519	0.2494	0.3176	0.3488	0.2763	0.3983	0.3116	0.4877	0.0364	0.1214	0.0	0.0
1.2218	23.0	32913	1.1896	0.1533	0.2986	0.1426	0.1261	0.2506	0.1555	0.1111	0.2177	0.25	0.25	0.3149	0.3495	0.2836	0.4018	0.2932	0.4759	0.0364	0.122	0.0	0.0
1.2083	24.0	34344	1.1887	0.1536	0.2964	0.1448	0.1262	0.2524	0.163	0.1109	0.2198	0.2531	0.2541	0.3929	0.3437	0.2792	0.4027	0.3017	0.4887	0.0334	0.1208	0.0	0.0
1.2021	25.0	35775	1.1857	0.1584	0.3051	0.1519	0.131	0.2559	0.1703	0.1129	0.2198	0.2543	0.2557	0.3201	0.3446	0.2893	0.4064	0.3095	0.4966	0.0349	0.1143	0.0	0.0
1.2054	26.0	37206	1.1760	0.1609	0.3088	0.1541	0.1345	0.2567	0.1787	0.1159	0.2227	0.2546	0.253	0.3211	0.349	0.2939	0.4076	0.3108	0.4893	0.0387	0.1214	0.0	0.0
1.1786	27.0	38637	1.1732	0.1612	0.3063	0.1565	0.1328	0.258	0.174	0.1141	0.2242	0.2564	0.2532	0.3232	0.3475	0.292	0.4087	0.3157	0.4973	0.0372	0.1196	0.0	0.0
1.1786	28.0	40068	1.1681	0.1635	0.3102	0.1562	0.1372	0.2602	0.1769	0.1157	0.2248	0.2573	0.2583	0.3225	0.3481	0.2919	0.4104	0.3222	0.499	0.0399	0.1196	0.0	0.0
1.1715	29.0	41499	1.1684	0.1628	0.3095	0.1571	0.1359	0.2592	0.1755	0.1149	0.2242	0.2563	0.257	0.321	0.3474	0.2909	0.409	0.3196	0.4954	0.0407	0.1208	0.0	0.0
1.1823	30.0	42930	1.1666	0.1631	0.3094	0.1578	0.136	0.2597	0.1753	0.1149	0.2246	0.2567	0.2577	0.3214	0.3473	0.2921	0.4101	0.3204	0.4958	0.0399	0.1208	0.0	0.0

Framework versions

• Transformers 4.44.0
• Pytorch 2.4.0+cu121
• Datasets 2.20.0
• Tokenizers 0.19.1