--- 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](https://huggingface.co/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