Hugging Face's logo

aghent
/
copiapoasegmentation

Image Segmentation
Transformers
Safetensors
segformer
vision
Generated from Trainer
Inference Endpoints
Model card Files Community
copiapoasegmentation / README.md
aghent's picture
aghent
End of training
c9a51d0
preview code
|
raw
history blame contribute delete
14.7 kB
metadata
license: other
base_model: nvidia/mit-b0
tags:
  - vision
  - image-segmentation
  - generated_from_trainer
model-index:
  - name: copiapoasegmentation
    results: []

copiapoasegmentation

This model is a fine-tuned version of nvidia/mit-b0 on the aghent/copiapoa-semantic-v2 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1039
  • Mean Iou: 0.0
  • Mean Accuracy: nan
  • Overall Accuracy: nan
  • Accuracy Copiapoa: nan
  • Iou Copiapoa: 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: 0.5
  • 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: 1

Training results

Training Loss Epoch Step Validation Loss Mean Iou Mean Accuracy Overall Accuracy Accuracy Copiapoa Iou Copiapoa
0.2444 0.01 20 5.0470 0.0 nan nan nan 0.0
0.3612 0.02 40 0.8679 0.0 nan nan nan 0.0
0.5271 0.03 60 0.8829 0.0 nan nan nan 0.0
0.0688 0.04 80 0.1301 0.0 nan nan nan 0.0
0.0651 0.05 100 0.1053 0.0 nan nan nan 0.0
0.1459 0.06 120 0.1041 0.0 nan nan nan 0.0
0.1192 0.07 140 0.1044 0.0 nan nan nan 0.0
0.1747 0.08 160 0.1068 0.0 nan nan nan 0.0
0.0807 0.09 180 0.1045 0.0 nan nan nan 0.0
0.0701 0.1 200 0.1039 0.0 nan nan nan 0.0
0.0909 0.11 220 0.1043 0.0 nan nan nan 0.0
0.0866 0.12 240 0.1039 0.0 nan nan nan 0.0
0.1688 0.13 260 0.1040 0.0 nan nan nan 0.0
0.0664 0.14 280 0.1040 0.0 nan nan nan 0.0
0.1137 0.15 300 0.1040 0.0 nan nan nan 0.0
0.1783 0.16 320 0.1044 0.0 nan nan nan 0.0
0.1267 0.17 340 0.1049 0.0 nan nan nan 0.0
0.0606 0.18 360 0.1086 0.0 nan nan nan 0.0
0.0847 0.19 380 0.1065 0.0 nan nan nan 0.0
0.0734 0.2 400 0.1040 0.0 nan nan nan 0.0
0.0302 0.21 420 0.1045 0.0 nan nan nan 0.0
0.0815 0.22 440 0.1062 0.0 nan nan nan 0.0
0.0639 0.23 460 0.1039 0.0 nan nan nan 0.0
0.1039 0.24 480 0.1041 0.0 nan nan nan 0.0
0.0703 0.25 500 0.1046 0.0 nan nan nan 0.0
0.1696 0.26 520 0.1040 0.0 nan nan nan 0.0
0.1308 0.27 540 0.1039 0.0 nan nan nan 0.0
0.0673 0.28 560 0.1070 0.0 nan nan nan 0.0
0.1913 0.29 580 0.1048 0.0 nan nan nan 0.0
0.0324 0.3 600 0.1043 0.0 nan nan nan 0.0
0.1178 0.31 620 0.1053 0.0 nan nan nan 0.0
0.0977 0.32 640 0.1041 0.0 nan nan nan 0.0
0.1711 0.33 660 0.1042 0.0 nan nan nan 0.0
0.1388 0.34 680 0.1059 0.0 nan nan nan 0.0
0.1434 0.35 700 0.1060 0.0 nan nan nan 0.0
0.0711 0.36 720 0.1075 0.0 nan nan nan 0.0
0.1017 0.37 740 0.1060 0.0 nan nan nan 0.0
0.2191 0.38 760 0.1040 0.0 nan nan nan 0.0
0.0877 0.39 780 0.1042 0.0 nan nan nan 0.0
0.1571 0.4 800 0.1039 0.0 nan nan nan 0.0
0.0726 0.41 820 0.1043 0.0 nan nan nan 0.0
0.1566 0.42 840 0.1046 0.0 nan nan nan 0.0
0.1165 0.43 860 0.1069 0.0 nan nan nan 0.0
0.0921 0.44 880 0.1039 0.0 nan nan nan 0.0
0.1851 0.45 900 0.1039 0.0 nan nan nan 0.0
0.0553 0.46 920 0.1046 0.0 nan nan nan 0.0
0.2055 0.47 940 0.1056 0.0 nan nan nan 0.0
0.1784 0.48 960 0.1039 0.0 nan nan nan 0.0
0.0817 0.49 980 0.1045 0.0 nan nan nan 0.0
0.0789 0.5 1000 0.1041 0.0 nan nan nan 0.0
0.1644 0.51 1020 0.1041 0.0 nan nan nan 0.0
0.3311 0.52 1040 0.1045 0.0 nan nan nan 0.0
0.1518 0.53 1060 0.1045 0.0 nan nan nan 0.0
0.0654 0.54 1080 0.1049 0.0 nan nan nan 0.0
0.1069 0.55 1100 0.1043 0.0 nan nan nan 0.0
0.0489 0.56 1120 0.1044 0.0 nan nan nan 0.0
0.126 0.57 1140 0.1040 0.0 nan nan nan 0.0
0.076 0.58 1160 0.1040 0.0 nan nan nan 0.0
0.0609 0.59 1180 0.1040 0.0 nan nan nan 0.0
0.0781 0.6 1200 0.1047 0.0 nan nan nan 0.0
0.0471 0.61 1220 0.1040 0.0 nan nan nan 0.0
0.0806 0.62 1240 0.1048 0.0 nan nan nan 0.0
0.0519 0.63 1260 0.1040 0.0 nan nan nan 0.0
0.0904 0.64 1280 0.1051 0.0 nan nan nan 0.0
0.0963 0.65 1300 0.1051 0.0 nan nan nan 0.0
0.1206 0.66 1320 0.1053 0.0 nan nan nan 0.0
0.1104 0.67 1340 0.1045 0.0 nan nan nan 0.0
0.062 0.68 1360 0.1042 0.0 nan nan nan 0.0
0.0895 0.69 1380 0.1040 0.0 nan nan nan 0.0
0.1593 0.7 1400 0.1042 0.0 nan nan nan 0.0
0.0922 0.71 1420 0.1044 0.0 nan nan nan 0.0
0.0676 0.72 1440 0.1039 0.0 nan nan nan 0.0
0.0854 0.73 1460 0.1046 0.0 nan nan nan 0.0
0.0498 0.74 1480 0.1042 0.0 nan nan nan 0.0
0.0677 0.75 1500 0.1041 0.0 nan nan nan 0.0
0.1298 0.76 1520 0.1049 0.0 nan nan nan 0.0
0.1202 0.77 1540 0.1044 0.0 nan nan nan 0.0
0.0737 0.78 1560 0.1041 0.0 nan nan nan 0.0
0.0238 0.79 1580 0.1040 0.0 nan nan nan 0.0
0.106 0.8 1600 0.1042 0.0 nan nan nan 0.0
0.142 0.81 1620 0.1040 0.0 nan nan nan 0.0
0.0753 0.82 1640 0.1041 0.0 nan nan nan 0.0
0.157 0.83 1660 0.1040 0.0 nan nan nan 0.0
0.1181 0.84 1680 0.1040 0.0 nan nan nan 0.0
0.0758 0.85 1700 0.1041 0.0 nan nan nan 0.0
0.0966 0.86 1720 0.1041 0.0 nan nan nan 0.0
0.1137 0.87 1740 0.1043 0.0 nan nan nan 0.0
0.0362 0.88 1760 0.1040 0.0 nan nan nan 0.0
0.1495 0.89 1780 0.1040 0.0 nan nan nan 0.0
0.0933 0.9 1800 0.1039 0.0 nan nan nan 0.0
0.1285 0.91 1820 0.1039 0.0 nan nan nan 0.0
0.0479 0.92 1840 0.1039 0.0 nan nan nan 0.0
0.1065 0.93 1860 0.1040 0.0 nan nan nan 0.0
0.1133 0.94 1880 0.1040 0.0 nan nan nan 0.0
0.129 0.95 1900 0.1039 0.0 nan nan nan 0.0
0.2114 0.96 1920 0.1040 0.0 nan nan nan 0.0
0.0646 0.97 1940 0.1039 0.0 nan nan nan 0.0
0.1375 0.98 1960 0.1039 0.0 nan nan nan 0.0
0.0402 0.99 1980 0.1039 0.0 nan nan nan 0.0
0.1113 1.0 2000 0.1039 0.0 nan nan nan 0.0

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.0
  • Datasets 2.15.0
  • Tokenizers 0.15.0