lilt-en-aadhaar2 / README.md
prashantloni's picture
End of training
84d9ba6 verified
metadata
license: mit
base_model: SCUT-DLVCLab/lilt-roberta-en-base
tags:
  - generated_from_trainer
model-index:
  - name: lilt-en-aadhaar2
    results: []

lilt-en-aadhaar2

This model is a fine-tuned version of SCUT-DLVCLab/lilt-roberta-en-base on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0737
  • Adhaar Number: {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}
  • Ame: {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}
  • Ather Name: {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}
  • Ather Name Back: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}
  • Ather Name Front Top: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}
  • Ddress Back: {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68}
  • Ddress Front: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}
  • Ender: {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}
  • Ob: {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}
  • Obile Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
  • Ther: {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185}
  • Overall Precision: 0.9509
  • Overall Recall: 0.9467
  • Overall F1: 0.9488
  • Overall Accuracy: 0.9953

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
  • training_steps: 2500
  • mixed_precision_training: Native AMP

Training results

Training Loss Epoch Step Validation Loss Adhaar Number Ame Ather Name Ather Name Back Ather Name Front Top Ddress Back Ddress Front Ender Ob Obile Number Ther Overall Precision Overall Recall Overall F1 Overall Accuracy
0.1686 8.33 200 0.0638 {'precision': 0.8780487804878049, 'recall': 0.9230769230769231, 'f1': 0.9, 'number': 39} {'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.8709677419354839, 'recall': 0.7941176470588235, 'f1': 0.8307692307692308, 'number': 68} {'precision': 0.9795918367346939, 'recall': 0.9795918367346939, 'f1': 0.9795918367346939, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.8852459016393442, 'recall': 0.8756756756756757, 'f1': 0.8804347826086957, 'number': 185} 0.9101 0.9 0.9050 0.9897
0.0036 16.67 400 0.0807 {'precision': 0.9047619047619048, 'recall': 0.9743589743589743, 'f1': 0.9382716049382716, 'number': 39} {'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 3} {'precision': 0.6521739130434783, 'recall': 0.8823529411764706, 'f1': 0.75, 'number': 17} {'precision': 0.8571428571428571, 'recall': 1.0, 'f1': 0.923076923076923, 'number': 12} {'precision': 0.7647058823529411, 'recall': 0.7647058823529411, 'f1': 0.7647058823529412, 'number': 68} {'precision': 0.92, 'recall': 0.9387755102040817, 'f1': 0.9292929292929293, 'number': 49} {'precision': 1.0, 'recall': 0.9047619047619048, 'f1': 0.9500000000000001, 'number': 21} {'precision': 0.9565217391304348, 'recall': 1.0, 'f1': 0.9777777777777777, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.8716577540106952, 'recall': 0.8810810810810811, 'f1': 0.8763440860215054, 'number': 185} 0.8664 0.8933 0.8796 0.9885
0.0027 25.0 600 0.0797 {'precision': 0.925, 'recall': 0.9487179487179487, 'f1': 0.9367088607594937, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.75, 'recall': 1.0, 'f1': 0.8571428571428571, 'number': 3} {'precision': 0.9411764705882353, 'recall': 0.9411764705882353, 'f1': 0.9411764705882353, 'number': 17} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 0.8405797101449275, 'recall': 0.8529411764705882, 'f1': 0.8467153284671534, 'number': 68} {'precision': 0.9591836734693877, 'recall': 0.9591836734693877, 'f1': 0.9591836734693877, 'number': 49} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.8870967741935484, 'recall': 0.8918918918918919, 'f1': 0.8894878706199462, 'number': 185} 0.9035 0.9156 0.9095 0.9910
0.0024 33.33 800 0.0623 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.9375, 'recall': 0.8823529411764706, 'f1': 0.9090909090909091, 'number': 68} {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.8695652173913043, 'recall': 0.9090909090909091, 'f1': 0.888888888888889, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.9239130434782609, 'recall': 0.918918918918919, 'f1': 0.9214092140921409, 'number': 185} 0.9439 0.9356 0.9397 0.9947
0.0004 41.67 1000 0.0849 {'precision': 0.95, 'recall': 0.9743589743589743, 'f1': 0.9620253164556962, 'number': 39} {'precision': 0.8846153846153846, 'recall': 0.9583333333333334, 'f1': 0.9199999999999999, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.8769230769230769, 'recall': 0.8382352941176471, 'f1': 0.8571428571428571, 'number': 68} {'precision': 0.9791666666666666, 'recall': 0.9591836734693877, 'f1': 0.9690721649484536, 'number': 49} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.8864864864864865, 'recall': 0.8864864864864865, 'f1': 0.8864864864864865, 'number': 185} 0.9156 0.9156 0.9156 0.9922
0.0002 50.0 1200 0.0699 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.9230769230769231, 'recall': 0.8823529411764706, 'f1': 0.9022556390977443, 'number': 68} {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} {'precision': 1.0, 'recall': 0.9047619047619048, 'f1': 0.9500000000000001, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.8972972972972973, 'recall': 0.8972972972972973, 'f1': 0.8972972972972972, 'number': 185} 0.9286 0.9244 0.9265 0.9938
0.0001 58.33 1400 0.0733 {'precision': 0.95, 'recall': 0.9743589743589743, 'f1': 0.9620253164556962, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.8923076923076924, 'recall': 0.8529411764705882, 'f1': 0.8721804511278195, 'number': 68} {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.907608695652174, 'recall': 0.9027027027027027, 'f1': 0.9051490514905148, 'number': 185} 0.9308 0.9267 0.9287 0.9941
0.0002 66.67 1600 0.0728 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.9384615384615385, 'recall': 0.8970588235294118, 'f1': 0.9172932330827067, 'number': 68} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.9139784946236559, 'recall': 0.918918918918919, 'f1': 0.9164420485175202, 'number': 185} 0.9379 0.94 0.9390 0.9947
0.0002 75.0 1800 0.0731 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68} {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.9243243243243243, 'recall': 0.9243243243243243, 'f1': 0.9243243243243243, 'number': 185} 0.9485 0.9422 0.9454 0.9950
0.0001 83.33 2000 0.0737 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185} 0.9509 0.9467 0.9488 0.9953
0.0001 91.67 2200 0.0750 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185} 0.9509 0.9467 0.9488 0.9953
0.0001 100.0 2400 0.0751 {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.9375, 'recall': 0.8823529411764706, 'f1': 0.9090909090909091, 'number': 68} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 0.9243243243243243, 'recall': 0.9243243243243243, 'f1': 0.9243243243243243, 'number': 185} 0.9464 0.9422 0.9443 0.9950

Framework versions

  • Transformers 4.38.2
  • Pytorch 2.2.1+cu121
  • Datasets 2.18.0
  • Tokenizers 0.15.2