File size: 31,621 Bytes
846779d e6b9bcb 846779d e6b9bcb |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 |
---
library_name: transformers
license: other
base_model: nvidia/mit-b0
tags:
- vision
- image-segmentation
- generated_from_trainer
model-index:
- name: segformer-b0-finetuned-Eduardo-food103-GOOGLE100
results: []
---
<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->
# segformer-b0-finetuned-Eduardo-food103-GOOGLE100
This model is a fine-tuned version of [nvidia/mit-b0](https://huggingface.co/nvidia/mit-b0) on the EduardoPacheco/FoodSeg103 dataset.
It achieves the following results on the evaluation set:
- Loss: 2.1878
- Mean Iou: 0.0726
- Mean Accuracy: 0.1651
- Overall Accuracy: 0.2308
- Accuracy Background: nan
- Accuracy Candy: nan
- Accuracy Egg tart: nan
- Accuracy French fries: 0.0
- Accuracy Chocolate: 0.0
- Accuracy Biscuit: 0.0
- Accuracy Popcorn: nan
- Accuracy Pudding: nan
- Accuracy Ice cream: 0.0
- Accuracy Cheese butter: 0.0
- Accuracy Cake: 0.0
- Accuracy Wine: nan
- Accuracy Milkshake: nan
- Accuracy Coffee: nan
- Accuracy Juice: nan
- Accuracy Milk: nan
- Accuracy Tea: nan
- Accuracy Almond: nan
- Accuracy Red beans: nan
- Accuracy Cashew: nan
- Accuracy Dried cranberries: nan
- Accuracy Soy: nan
- Accuracy Walnut: nan
- Accuracy Peanut: nan
- Accuracy Egg: 0.0
- Accuracy Apple: nan
- Accuracy Date: nan
- Accuracy Apricot: nan
- Accuracy Avocado: 0.0
- Accuracy Banana: 0.0
- Accuracy Strawberry: 0.0028
- Accuracy Cherry: nan
- Accuracy Blueberry: nan
- Accuracy Raspberry: nan
- Accuracy Mango: nan
- Accuracy Olives: nan
- Accuracy Peach: nan
- Accuracy Lemon: 0.0
- Accuracy Pear: nan
- Accuracy Fig: nan
- Accuracy Pineapple: 0.0
- Accuracy Grape: nan
- Accuracy Kiwi: nan
- Accuracy Melon: nan
- Accuracy Orange: 0.0129
- Accuracy Watermelon: nan
- Accuracy Steak: 0.2722
- Accuracy Pork: 0.0
- Accuracy Chicken duck: 0.4405
- Accuracy Sausage: nan
- Accuracy Fried meat: 0.0
- Accuracy Lamb: nan
- Accuracy Sauce: 0.0336
- Accuracy Crab: nan
- Accuracy Fish: 0.0
- Accuracy Shellfish: nan
- Accuracy Shrimp: nan
- Accuracy Soup: 0.0
- Accuracy Bread: 0.9251
- Accuracy Corn: 0.8612
- Accuracy Hamburg: nan
- Accuracy Pizza: nan
- Accuracy hanamaki baozi: nan
- Accuracy Wonton dumplings: nan
- Accuracy Pasta: nan
- Accuracy Noodles: nan
- Accuracy Rice: 0.9597
- Accuracy Pie: 0.0803
- Accuracy Tofu: nan
- Accuracy Eggplant: nan
- Accuracy Potato: 0.0025
- Accuracy Garlic: nan
- Accuracy Cauliflower: 0.0
- Accuracy Tomato: 0.9197
- Accuracy Kelp: nan
- Accuracy Seaweed: nan
- Accuracy Spring onion: nan
- Accuracy Rape: nan
- Accuracy Ginger: nan
- Accuracy Okra: nan
- Accuracy Lettuce: 0.0
- Accuracy Pumpkin: nan
- Accuracy Cucumber: 0.0
- Accuracy White radish: nan
- Accuracy Carrot: 0.7713
- Accuracy Asparagus: 0.0
- Accuracy Bamboo shoots: nan
- Accuracy Broccoli: 0.8238
- Accuracy Celery stick: 0.0
- Accuracy Cilantro mint: 0.0042
- Accuracy Snow peas: nan
- Accuracy cabbage: nan
- Accuracy Bean sprouts: nan
- Accuracy Onion: 0.0
- Accuracy Pepper: nan
- Accuracy Green beans: nan
- Accuracy French beans: 0.0
- Accuracy King oyster mushroom: nan
- Accuracy Shiitake: nan
- Accuracy Enoki mushroom: nan
- Accuracy Oyster mushroom: nan
- Accuracy White button mushroom: 0.0
- Accuracy Salad: nan
- Accuracy Other ingredients: nan
- Iou Background: 0.0
- Iou Candy: nan
- Iou Egg tart: nan
- Iou French fries: 0.0
- Iou Chocolate: 0.0
- Iou Biscuit: 0.0
- Iou Popcorn: nan
- Iou Pudding: nan
- Iou Ice cream: 0.0
- Iou Cheese butter: 0.0
- Iou Cake: 0.0
- Iou Wine: nan
- Iou Milkshake: nan
- Iou Coffee: nan
- Iou Juice: 0.0
- Iou Milk: nan
- Iou Tea: nan
- Iou Almond: nan
- Iou Red beans: nan
- Iou Cashew: nan
- Iou Dried cranberries: nan
- Iou Soy: nan
- Iou Walnut: nan
- Iou Peanut: nan
- Iou Egg: 0.0
- Iou Apple: nan
- Iou Date: nan
- Iou Apricot: nan
- Iou Avocado: 0.0
- Iou Banana: 0.0
- Iou Strawberry: 0.0028
- Iou Cherry: nan
- Iou Blueberry: nan
- Iou Raspberry: nan
- Iou Mango: nan
- Iou Olives: nan
- Iou Peach: nan
- Iou Lemon: 0.0
- Iou Pear: nan
- Iou Fig: nan
- Iou Pineapple: 0.0
- Iou Grape: nan
- Iou Kiwi: nan
- Iou Melon: nan
- Iou Orange: 0.0124
- Iou Watermelon: nan
- Iou Steak: 0.1972
- Iou Pork: 0.0
- Iou Chicken duck: 0.1551
- Iou Sausage: nan
- Iou Fried meat: 0.0
- Iou Lamb: nan
- Iou Sauce: 0.0217
- Iou Crab: nan
- Iou Fish: 0.0
- Iou Shellfish: nan
- Iou Shrimp: nan
- Iou Soup: 0.0
- Iou Bread: 0.3244
- Iou Corn: 0.8612
- Iou Hamburg: nan
- Iou Pizza: nan
- Iou hanamaki baozi: nan
- Iou Wonton dumplings: nan
- Iou Pasta: nan
- Iou Noodles: nan
- Iou Rice: 0.1760
- Iou Pie: 0.0180
- Iou Tofu: nan
- Iou Eggplant: nan
- Iou Potato: 0.0011
- Iou Garlic: nan
- Iou Cauliflower: 0.0
- Iou Tomato: 0.1271
- Iou Kelp: nan
- Iou Seaweed: nan
- Iou Spring onion: nan
- Iou Rape: nan
- Iou Ginger: nan
- Iou Okra: nan
- Iou Lettuce: 0.0
- Iou Pumpkin: nan
- Iou Cucumber: 0.0
- Iou White radish: nan
- Iou Carrot: 0.6337
- Iou Asparagus: 0.0
- Iou Bamboo shoots: nan
- Iou Broccoli: 0.3690
- Iou Celery stick: 0.0
- Iou Cilantro mint: 0.0042
- Iou Snow peas: nan
- Iou cabbage: nan
- Iou Bean sprouts: nan
- Iou Onion: 0.0
- Iou Pepper: 0.0
- Iou Green beans: nan
- Iou French beans: 0.0
- Iou King oyster mushroom: nan
- Iou Shiitake: nan
- Iou Enoki mushroom: nan
- Iou Oyster mushroom: nan
- Iou White button mushroom: 0.0
- Iou Salad: nan
- Iou Other ingredients: nan
## 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: 6e-05
- train_batch_size: 8
- eval_batch_size: 8
- seed: 42
- optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
- lr_scheduler_type: linear
- num_epochs: 50
### Training results
| Training Loss | Epoch | Step | Validation Loss | Mean Iou | Mean Accuracy | Overall Accuracy | Accuracy Background | Accuracy Candy | Accuracy Egg tart | Accuracy French fries | Accuracy Chocolate | Accuracy Biscuit | Accuracy Popcorn | Accuracy Pudding | Accuracy Ice cream | Accuracy Cheese butter | Accuracy Cake | Accuracy Wine | Accuracy Milkshake | Accuracy Coffee | Accuracy Juice | Accuracy Milk | Accuracy Tea | Accuracy Almond | Accuracy Red beans | Accuracy Cashew | Accuracy Dried cranberries | Accuracy Soy | Accuracy Walnut | Accuracy Peanut | Accuracy Egg | Accuracy Apple | Accuracy Date | Accuracy Apricot | Accuracy Avocado | Accuracy Banana | Accuracy Strawberry | Accuracy Cherry | Accuracy Blueberry | Accuracy Raspberry | Accuracy Mango | Accuracy Olives | Accuracy Peach | Accuracy Lemon | Accuracy Pear | Accuracy Fig | Accuracy Pineapple | Accuracy Grape | Accuracy Kiwi | Accuracy Melon | Accuracy Orange | Accuracy Watermelon | Accuracy Steak | Accuracy Pork | Accuracy Chicken duck | Accuracy Sausage | Accuracy Fried meat | Accuracy Lamb | Accuracy Sauce | Accuracy Crab | Accuracy Fish | Accuracy Shellfish | Accuracy Shrimp | Accuracy Soup | Accuracy Bread | Accuracy Corn | Accuracy Hamburg | Accuracy Pizza | Accuracy hanamaki baozi | Accuracy Wonton dumplings | Accuracy Pasta | Accuracy Noodles | Accuracy Rice | Accuracy Pie | Accuracy Tofu | Accuracy Eggplant | Accuracy Potato | Accuracy Garlic | Accuracy Cauliflower | Accuracy Tomato | Accuracy Kelp | Accuracy Seaweed | Accuracy Spring onion | Accuracy Rape | Accuracy Ginger | Accuracy Okra | Accuracy Lettuce | Accuracy Pumpkin | Accuracy Cucumber | Accuracy White radish | Accuracy Carrot | Accuracy Asparagus | Accuracy Bamboo shoots | Accuracy Broccoli | Accuracy Celery stick | Accuracy Cilantro mint | Accuracy Snow peas | Accuracy cabbage | Accuracy Bean sprouts | Accuracy Onion | Accuracy Pepper | Accuracy Green beans | Accuracy French beans | Accuracy King oyster mushroom | Accuracy Shiitake | Accuracy Enoki mushroom | Accuracy Oyster mushroom | Accuracy White button mushroom | Accuracy Salad | Accuracy Other ingredients | Iou Background | Iou Candy | Iou Egg tart | Iou French fries | Iou Chocolate | Iou Biscuit | Iou Popcorn | Iou Pudding | Iou Ice cream | Iou Cheese butter | Iou Cake | Iou Wine | Iou Milkshake | Iou Coffee | Iou Juice | Iou Milk | Iou Tea | Iou Almond | Iou Red beans | Iou Cashew | Iou Dried cranberries | Iou Soy | Iou Walnut | Iou Peanut | Iou Egg | Iou Apple | Iou Date | Iou Apricot | Iou Avocado | Iou Banana | Iou Strawberry | Iou Cherry | Iou Blueberry | Iou Raspberry | Iou Mango | Iou Olives | Iou Peach | Iou Lemon | Iou Pear | Iou Fig | Iou Pineapple | Iou Grape | Iou Kiwi | Iou Melon | Iou Orange | Iou Watermelon | Iou Steak | Iou Pork | Iou Chicken duck | Iou Sausage | Iou Fried meat | Iou Lamb | Iou Sauce | Iou Crab | Iou Fish | Iou Shellfish | Iou Shrimp | Iou Soup | Iou Bread | Iou Corn | Iou Hamburg | Iou Pizza | Iou hanamaki baozi | Iou Wonton dumplings | Iou Pasta | Iou Noodles | Iou Rice | Iou Pie | Iou Tofu | Iou Eggplant | Iou Potato | Iou Garlic | Iou Cauliflower | Iou Tomato | Iou Kelp | Iou Seaweed | Iou Spring onion | Iou Rape | Iou Ginger | Iou Okra | Iou Lettuce | Iou Pumpkin | Iou Cucumber | Iou White radish | Iou Carrot | Iou Asparagus | Iou Bamboo shoots | Iou Broccoli | Iou Celery stick | Iou Cilantro mint | Iou Snow peas | Iou cabbage | Iou Bean sprouts | Iou Onion | Iou Pepper | Iou Green beans | Iou French beans | Iou King oyster mushroom | Iou Shiitake | Iou Enoki mushroom | Iou Oyster mushroom | Iou White button mushroom | Iou Salad | Iou Other ingredients |
|:-------------:|:-----:|:----:|:---------------:|:--------:|:-------------:|:----------------:|:-------------------:|:--------------:|:-----------------:|:---------------------:|:------------------:|:----------------:|:----------------:|:----------------:|:------------------:|:----------------------:|:-------------:|:-------------:|:------------------:|:---------------:|:--------------:|:-------------:|:------------:|:---------------:|:------------------:|:---------------:|:--------------------------:|:------------:|:---------------:|:---------------:|:------------:|:--------------:|:-------------:|:----------------:|:----------------:|:---------------:|:-------------------:|:---------------:|:------------------:|:------------------:|:--------------:|:---------------:|:--------------:|:--------------:|:-------------:|:------------:|:------------------:|:--------------:|:-------------:|:--------------:|:---------------:|:-------------------:|:--------------:|:-------------:|:---------------------:|:----------------:|:-------------------:|:-------------:|:--------------:|:-------------:|:-------------:|:------------------:|:---------------:|:-------------:|:--------------:|:-------------:|:----------------:|:--------------:|:------------------------:|:-------------------------:|:--------------:|:----------------:|:-------------:|:------------:|:-------------:|:-----------------:|:---------------:|:---------------:|:--------------------:|:---------------:|:-------------:|:----------------:|:---------------------:|:-------------:|:---------------:|:-------------:|:----------------:|:----------------:|:-----------------:|:---------------------:|:---------------:|:------------------:|:----------------------:|:-----------------:|:---------------------:|:----------------------:|:------------------:|:-----------------:|:---------------------:|:--------------:|:---------------:|:--------------------:|:---------------------:|:-----------------------------:|:-----------------:|:-----------------------:|:------------------------:|:------------------------------:|:--------------:|:--------------------------:|:--------------:|:---------:|:------------:|:----------------:|:-------------:|:-----------:|:-----------:|:-----------:|:-------------:|:-----------------:|:--------:|:--------:|:-------------:|:----------:|:---------:|:--------:|:-------:|:----------:|:-------------:|:----------:|:---------------------:|:-------:|:----------:|:----------:|:-------:|:---------:|:--------:|:-----------:|:-----------:|:----------:|:--------------:|:----------:|:-------------:|:-------------:|:---------:|:----------:|:---------:|:---------:|:--------:|:-------:|:-------------:|:---------:|:--------:|:---------:|:----------:|:--------------:|:---------:|:--------:|:----------------:|:-----------:|:--------------:|:--------:|:---------:|:--------:|:--------:|:-------------:|:----------:|:--------:|:---------:|:--------:|:-----------:|:---------:|:-------------------:|:--------------------:|:---------:|:-----------:|:--------:|:-------:|:--------:|:------------:|:----------:|:----------:|:---------------:|:----------:|:--------:|:-----------:|:----------------:|:--------:|:----------:|:--------:|:-----------:|:-----------:|:------------:|:----------------:|:----------:|:-------------:|:-----------------:|:------------:|:----------------:|:-----------------:|:-------------:|:------------:|:----------------:|:---------:|:----------:|:---------------:|:----------------:|:------------------------:|:------------:|:------------------:|:-------------------:|:-------------------------:|:---------:|:---------------------:|
| 3.1829 | 10.0 | 100 | 2.9969 | 0.0442 | 0.1289 | 0.1903 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0011 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0149 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0439 | nan | 0.0011 | 0.0 | 0.2629 | nan | 0.0 | nan | 0.0226 | nan | 0.0 | nan | nan | 0.0 | 0.9498 | 0.7303 | nan | nan | nan | nan | nan | nan | 0.5457 | 0.0050 | nan | nan | 0.0 | nan | 0.0 | 0.5701 | nan | nan | nan | nan | nan | nan | 0.0120 | nan | 0.0 | nan | 0.5662 | 0.0 | nan | 0.7966 | 0.0 | 0.0018 | nan | nan | nan | 0.0 | nan | nan | 0.2437 | nan | nan | nan | nan | 0.0021 | nan | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0011 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0143 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0167 | nan | 0.0008 | 0.0 | 0.0953 | 0.0 | 0.0 | nan | 0.0210 | nan | 0.0 | 0.0 | 0.0 | 0.0 | 0.1913 | 0.7303 | nan | nan | nan | nan | nan | 0.0 | 0.0686 | 0.0032 | nan | nan | 0.0 | nan | 0.0 | 0.1095 | nan | 0.0 | nan | nan | nan | nan | 0.0074 | nan | 0.0 | nan | 0.4240 | 0.0 | nan | 0.3995 | 0.0 | 0.0018 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0352 | nan | nan | nan | 0.0 | 0.0020 | 0.0 | nan |
| 2.4226 | 20.0 | 200 | 2.4832 | 0.0572 | 0.1463 | 0.2036 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0038 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0006 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0517 | nan | 0.0 | 0.0 | 0.3696 | nan | 0.0 | nan | 0.0362 | nan | 0.0 | nan | nan | 0.0 | 0.9217 | 0.8128 | nan | nan | nan | nan | nan | nan | 0.9160 | 0.0170 | nan | nan | 0.0045 | nan | 0.0 | 0.8978 | nan | nan | nan | nan | nan | nan | 0.0277 | nan | 0.0 | nan | 0.5100 | 0.0 | nan | 0.8429 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | nan | 0.0005 | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0038 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0006 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0501 | nan | 0.0 | 0.0 | 0.1509 | nan | 0.0 | nan | 0.0257 | nan | 0.0 | nan | nan | 0.0 | 0.2285 | 0.8128 | nan | nan | nan | nan | nan | nan | 0.0974 | 0.0074 | nan | nan | 0.0045 | nan | 0.0 | 0.1040 | nan | nan | nan | nan | nan | nan | 0.0170 | nan | 0.0 | nan | 0.3959 | 0.0 | nan | 0.3894 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0001 | nan | nan | nan | nan | 0.0 | nan | nan |
| 2.0416 | 30.0 | 300 | 2.3190 | 0.0654 | 0.1581 | 0.2218 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0008 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0011 | nan | 0.0561 | 0.0 | 0.4236 | nan | 0.0 | nan | 0.0523 | nan | 0.0 | nan | nan | 0.0 | 0.9272 | 0.8698 | nan | nan | nan | nan | nan | nan | 0.9557 | 0.0533 | nan | nan | 0.0029 | nan | 0.0 | 0.9382 | nan | nan | nan | nan | nan | nan | 0.0539 | nan | 0.0 | nan | 0.6930 | 0.0 | nan | 0.8183 | 0.0 | 0.0036 | nan | nan | nan | 0.0 | nan | nan | 0.0001 | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0008 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0011 | nan | 0.0524 | 0.0 | 0.1551 | nan | 0.0 | nan | 0.0389 | nan | 0.0 | nan | nan | 0.0 | 0.3134 | 0.8698 | nan | nan | nan | nan | nan | nan | 0.1152 | 0.0125 | nan | nan | 0.0019 | nan | 0.0 | 0.1085 | nan | nan | nan | nan | nan | nan | 0.0408 | nan | 0.0 | nan | 0.5407 | 0.0 | nan | 0.3600 | 0.0 | 0.0036 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0000 | nan | nan | nan | nan | 0.0 | nan | nan |
| 1.8426 | 40.0 | 400 | 2.2506 | 0.0690 | 0.1601 | 0.2263 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0033 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0001 | nan | 0.1714 | 0.0 | 0.4262 | nan | 0.0 | nan | 0.0335 | nan | 0.0 | nan | nan | 0.0 | 0.9367 | 0.8517 | nan | nan | nan | nan | nan | nan | 0.9650 | 0.0358 | nan | nan | 0.0 | nan | 0.0 | 0.9186 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.7250 | 0.0 | nan | 0.8542 | 0.0 | 0.0030 | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0032 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0001 | nan | 0.1422 | 0.0 | 0.1508 | nan | 0.0 | nan | 0.0229 | nan | 0.0 | nan | nan | 0.0 | 0.2999 | 0.8517 | nan | nan | nan | nan | nan | nan | 0.1834 | 0.0081 | nan | nan | 0.0 | nan | 0.0 | 0.1171 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.6041 | 0.0 | nan | 0.3724 | 0.0 | 0.0030 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan |
| 1.7476 | 50.0 | 500 | 2.1878 | 0.0726 | 0.1651 | 0.2308 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0028 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0129 | nan | 0.2722 | 0.0 | 0.4405 | nan | 0.0 | nan | 0.0336 | nan | 0.0 | nan | nan | 0.0 | 0.9251 | 0.8612 | nan | nan | nan | nan | nan | nan | 0.9597 | 0.0803 | nan | nan | 0.0025 | nan | 0.0 | 0.9197 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.7713 | 0.0 | nan | 0.8238 | 0.0 | 0.0042 | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0028 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | nan | nan | 0.0124 | nan | 0.1972 | 0.0 | 0.1551 | nan | 0.0 | nan | 0.0217 | nan | 0.0 | nan | nan | 0.0 | 0.3244 | 0.8612 | nan | nan | nan | nan | nan | nan | 0.1760 | 0.0180 | nan | nan | 0.0011 | nan | 0.0 | 0.1271 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.6337 | 0.0 | nan | 0.3690 | 0.0 | 0.0042 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan |
### Framework versions
- Transformers 4.46.3
- Pytorch 2.5.1+cu121
- Datasets 3.2.0
- Tokenizers 0.20.3
|