MT-fallen-firebrand-113

This model is a fine-tuned version of toobiza/MT-smart-feather-100 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 0.2177
• Loss Ce: 0.0007
• Loss Bbox: 0.0252
• Cardinality Error: 1.0
• Giou: 95.5116

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: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Loss Ce	Loss Bbox	Cardinality Error	Giou
0.0433	0.02	10	0.2285	0.0005	0.0272	1.0	95.4320
0.1123	0.04	20	0.2205	0.0006	0.0264	1.0	95.6513
0.2672	0.06	30	0.2229	0.0007	0.0264	1.0	95.5263
0.1671	0.09	40	0.2266	0.0006	0.0267	1.0	95.4210
0.0761	0.11	50	0.2268	0.0006	0.0272	1.0	95.5399
0.0882	0.13	60	0.2234	0.0006	0.0269	1.0	95.6263
0.0525	0.15	70	0.2277	0.0006	0.0273	1.0	95.5031
0.0789	0.17	80	0.2277	0.0006	0.0271	1.0	95.4728
0.0661	0.19	90	0.2315	0.0006	0.0270	1.0	95.2434
0.0534	0.21	100	0.2304	0.0006	0.0270	1.0	95.2914
0.133	0.23	110	0.2318	0.0007	0.0268	1.0	95.2015
0.0908	0.26	120	0.2381	0.0006	0.0282	1.0	95.2005
0.0893	0.28	130	0.2388	0.0005	0.0279	1.0	95.1057
0.0516	0.3	140	0.2389	0.0005	0.0279	1.0	95.1262
0.2496	0.32	150	0.2378	0.0005	0.0277	1.0	95.1056
0.0914	0.34	160	0.2278	0.0005	0.0262	1.0	95.2652
0.1489	0.36	170	0.2206	0.0006	0.0261	1.0	95.5911
0.2304	0.38	180	0.2192	0.0007	0.0260	1.0	95.6501
0.058	0.41	190	0.2187	0.0007	0.0257	1.0	95.6025
0.2195	0.43	200	0.2179	0.0006	0.0257	1.0	95.6214
0.076	0.45	210	0.2188	0.0006	0.0256	1.0	95.5425
0.054	0.47	220	0.2206	0.0006	0.0256	1.0	95.4653
0.1074	0.49	230	0.2260	0.0006	0.0259	1.0	95.2627
0.0648	0.51	240	0.2270	0.0006	0.0268	1.0	95.4231
0.2838	0.53	250	0.2227	0.0006	0.0263	1.0	95.5340
0.1706	0.55	260	0.2238	0.0006	0.0260	1.0	95.4056
0.065	0.58	270	0.2260	0.0007	0.0258	1.0	95.2666
0.063	0.6	280	0.2238	0.0007	0.0262	1.0	95.4676
0.0667	0.62	290	0.2206	0.0006	0.0262	1.0	95.6224
0.087	0.64	300	0.2238	0.0006	0.0259	1.0	95.3894
0.1819	0.66	310	0.2290	0.0006	0.0261	1.0	95.1798
0.1198	0.68	320	0.2251	0.0007	0.0264	1.0	95.4342
0.0732	0.7	330	0.2203	0.0007	0.0259	1.0	95.5583
0.1283	0.72	340	0.2255	0.0008	0.0258	1.0	95.2776
0.1481	0.75	350	0.2243	0.0008	0.0259	1.0	95.3665
0.1448	0.77	360	0.2199	0.0008	0.0259	1.0	95.5715
0.0831	0.79	370	0.2228	0.0008	0.0261	1.0	95.5002
0.0936	0.81	380	0.2251	0.0007	0.0260	1.0	95.3486
0.0715	0.83	390	0.2204	0.0007	0.0257	1.0	95.5102
0.0672	0.85	400	0.2234	0.0007	0.0256	1.0	95.3418
0.0713	0.87	410	0.2233	0.0007	0.0259	1.0	95.3986
0.0776	0.9	420	0.2269	0.0007	0.0259	1.0	95.2251
0.129	0.92	430	0.2278	0.0007	0.0259	1.0	95.1863
0.1938	0.94	440	0.2315	0.0007	0.0262	1.0	95.0673
0.0841	0.96	450	0.2271	0.0007	0.0258	1.0	95.1982
0.1348	0.98	460	0.2233	0.0008	0.0258	1.0	95.4038
0.0668	1.0	470	0.2243	0.0008	0.0257	1.0	95.3235
0.3109	1.02	480	0.2278	0.0008	0.0258	1.0	95.1576
0.069	1.04	490	0.2312	0.0007	0.0257	1.0	94.9736
0.0627	1.07	500	0.2284	0.0007	0.0254	1.0	95.0170
0.0852	1.09	510	0.2291	0.0006	0.0252	1.0	94.9385
0.0679	1.11	520	0.2259	0.0006	0.0253	1.0	95.1204
0.0543	1.13	530	0.2274	0.0006	0.0251	1.0	94.9929
0.1877	1.15	540	0.2248	0.0007	0.0249	1.0	95.0927
0.1028	1.17	550	0.2177	0.0007	0.0251	1.0	95.4758
0.068	1.19	560	0.2142	0.0007	0.0249	1.0	95.6181
0.0953	1.22	570	0.2120	0.0007	0.0248	1.0	95.6968
0.0548	1.24	580	0.2160	0.0007	0.0249	1.0	95.5313
0.2291	1.26	590	0.2192	0.0007	0.0252	1.0	95.4303
0.0565	1.28	600	0.2148	0.0007	0.0246	1.0	95.5175
0.0643	1.3	610	0.2165	0.0007	0.0248	1.0	95.4779
0.0527	1.32	620	0.2134	0.0007	0.0244	1.0	95.5284
0.1215	1.34	630	0.2106	0.0007	0.0240	1.0	95.5701
0.0851	1.36	640	0.2148	0.0007	0.0247	1.0	95.5315
0.0748	1.39	650	0.2188	0.0007	0.0252	1.0	95.4600
0.0632	1.41	660	0.2215	0.0007	0.0254	1.0	95.3640
0.0634	1.43	670	0.2232	0.0007	0.0255	1.0	95.3053
0.0851	1.45	680	0.2235	0.0006	0.0256	1.0	95.3000
0.0597	1.47	690	0.2250	0.0006	0.0255	1.0	95.2242
0.0522	1.49	700	0.2252	0.0007	0.0259	1.0	95.3196
0.1491	1.51	710	0.2250	0.0007	0.0260	1.0	95.3516
0.0515	1.54	720	0.2205	0.0007	0.0254	1.0	95.4144
0.1826	1.56	730	0.2199	0.0007	0.0254	1.0	95.4645
0.0529	1.58	740	0.2230	0.0007	0.0254	1.0	95.2972
0.0587	1.6	750	0.2229	0.0007	0.0256	1.0	95.3546
0.0589	1.62	760	0.2216	0.0007	0.0256	1.0	95.4016
0.0715	1.64	770	0.2216	0.0006	0.0254	1.0	95.3633
0.1186	1.66	780	0.2196	0.0006	0.0254	1.0	95.4553
0.0498	1.68	790	0.2179	0.0006	0.0255	1.0	95.5713
0.1199	1.71	800	0.2192	0.0006	0.0257	1.0	95.5583
0.2151	1.73	810	0.2196	0.0006	0.0257	1.0	95.5410
0.1703	1.75	820	0.2211	0.0006	0.0259	1.0	95.4973
0.0782	1.77	830	0.2244	0.0006	0.0259	1.0	95.3385
0.0575	1.79	840	0.2258	0.0006	0.0262	1.0	95.3399
0.1211	1.81	850	0.2239	0.0006	0.0261	1.0	95.4278
0.067	1.83	860	0.2232	0.0006	0.0261	1.0	95.4541
0.0521	1.86	870	0.2214	0.0006	0.0258	1.0	95.4654
0.1619	1.88	880	0.2206	0.0006	0.0256	1.0	95.4628
0.0656	1.9	890	0.2217	0.0006	0.0257	1.0	95.4210
0.1299	1.92	900	0.2216	0.0006	0.0257	1.0	95.4406
0.1795	1.94	910	0.2258	0.0006	0.0260	1.0	95.2944
0.0684	1.96	920	0.2288	0.0006	0.0257	1.0	95.0962
0.0683	1.98	930	0.2287	0.0006	0.0254	1.0	95.0161
0.1629	2.0	940	0.2300	0.0006	0.0255	1.0	94.9721
0.2252	2.03	950	0.2283	0.0006	0.0256	1.0	95.0778
0.097	2.05	960	0.2246	0.0006	0.0255	1.0	95.2448
0.0582	2.07	970	0.2247	0.0007	0.0253	1.0	95.2004
0.0613	2.09	980	0.2189	0.0007	0.0251	1.0	95.4246
0.055	2.11	990	0.2192	0.0007	0.0252	1.0	95.4337
0.1202	2.13	1000	0.2233	0.0007	0.0254	1.0	95.2810
0.0426	2.15	1010	0.2266	0.0006	0.0255	1.0	95.1437
0.0542	2.17	1020	0.2264	0.0006	0.0255	1.0	95.1477
0.0693	2.2	1030	0.2275	0.0006	0.0256	1.0	95.1170
0.0617	2.22	1040	0.2235	0.0006	0.0253	1.0	95.2543
0.0703	2.24	1050	0.2223	0.0007	0.0252	1.0	95.2883
0.1624	2.26	1060	0.2231	0.0007	0.0252	1.0	95.2493
0.1168	2.28	1070	0.2235	0.0007	0.0252	1.0	95.2330
0.0784	2.3	1080	0.2207	0.0007	0.0252	1.0	95.3759
0.0627	2.32	1090	0.2205	0.0007	0.0253	1.0	95.4080
0.0856	2.35	1100	0.2202	0.0007	0.0254	1.0	95.4356
0.0587	2.37	1110	0.2198	0.0007	0.0254	1.0	95.4616
0.0591	2.39	1120	0.2181	0.0007	0.0253	1.0	95.5062
0.3139	2.41	1130	0.2149	0.0007	0.0247	1.0	95.5317
0.0535	2.43	1140	0.2124	0.0007	0.0244	1.0	95.5952
0.0502	2.45	1150	0.2135	0.0007	0.0245	1.0	95.5379
0.0574	2.47	1160	0.2142	0.0007	0.0247	1.0	95.5711
0.0415	2.49	1170	0.2143	0.0007	0.0249	1.0	95.6145
0.0394	2.52	1180	0.2141	0.0008	0.0249	1.0	95.6154
0.1392	2.54	1190	0.2128	0.0008	0.0249	1.0	95.6786
0.1257	2.56	1200	0.2130	0.0007	0.0249	1.0	95.6791
0.0493	2.58	1210	0.2149	0.0007	0.0249	1.0	95.5834
0.1574	2.6	1220	0.2173	0.0007	0.0250	1.0	95.4966
0.077	2.62	1230	0.2183	0.0008	0.0251	1.0	95.4721
0.0616	2.64	1240	0.2172	0.0008	0.0252	1.0	95.5329
0.0515	2.67	1250	0.2169	0.0008	0.0252	1.0	95.5528
0.0464	2.69	1260	0.2158	0.0008	0.0252	1.0	95.6043
0.1273	2.71	1270	0.2151	0.0008	0.0252	1.0	95.6373
0.0602	2.73	1280	0.2157	0.0008	0.0252	1.0	95.6047
0.1282	2.75	1290	0.2166	0.0008	0.0251	1.0	95.5521
0.0552	2.77	1300	0.2172	0.0008	0.0252	1.0	95.5391
0.1731	2.79	1310	0.2176	0.0007	0.0252	1.0	95.5261
0.0999	2.81	1320	0.2169	0.0007	0.0252	1.0	95.5514
0.1018	2.84	1330	0.2169	0.0007	0.0252	1.0	95.5517
0.1837	2.86	1340	0.2172	0.0007	0.0252	1.0	95.5448
0.0582	2.88	1350	0.2165	0.0007	0.0252	1.0	95.5744
0.0671	2.9	1360	0.2171	0.0008	0.0252	1.0	95.5425
0.0451	2.92	1370	0.2176	0.0007	0.0252	1.0	95.5208
0.0829	2.94	1380	0.2173	0.0007	0.0252	1.0	95.5369
0.0575	2.96	1390	0.2176	0.0007	0.0252	1.0	95.5150
0.0926	2.99	1400	0.2177	0.0007	0.0252	1.0	95.5116

Framework versions

• Transformers 4.33.2
• Pytorch 2.1.0+cu118
• Datasets 2.14.6
• Tokenizers 0.13.3