--- 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: [] --- # 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: 2.0228 - Mean Iou: 0.0621 - Mean Accuracy: 0.1402 - Overall Accuracy: 0.2390 - Accuracy Background: nan - Accuracy Candy: nan - Accuracy Egg tart: nan - Accuracy French fries: 0.0048 - Accuracy Chocolate: nan - Accuracy Biscuit: 0.0 - Accuracy Popcorn: nan - Accuracy Pudding: nan - Accuracy Ice cream: 0.0 - Accuracy Cheese butter: 0.0 - Accuracy Cake: nan - 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: nan - Accuracy Strawberry: nan - Accuracy Cherry: nan - Accuracy Blueberry: 0.0 - Accuracy Raspberry: nan - Accuracy Mango: nan - Accuracy Olives: nan - Accuracy Peach: nan - Accuracy Lemon: 0.3528 - Accuracy Pear: nan - Accuracy Fig: nan - Accuracy Pineapple: nan - Accuracy Grape: 0.0 - Accuracy Kiwi: 0.0 - Accuracy Melon: nan - Accuracy Orange: 0.0326 - Accuracy Watermelon: nan - Accuracy Steak: nan - Accuracy Pork: 0.1314 - Accuracy Chicken duck: 0.2786 - Accuracy Sausage: 0.0 - Accuracy Fried meat: nan - Accuracy Lamb: nan - Accuracy Sauce: 0.0907 - Accuracy Crab: nan - Accuracy Fish: 0.0 - Accuracy Shellfish: nan - Accuracy Shrimp: nan - Accuracy Soup: nan - Accuracy Bread: 0.5107 - Accuracy Corn: nan - Accuracy Hamburg: nan - Accuracy Pizza: nan - Accuracy hanamaki baozi: nan - Accuracy Wonton dumplings: nan - Accuracy Pasta: nan - Accuracy Noodles: nan - Accuracy Rice: 0.8496 - Accuracy Pie: 0.0 - Accuracy Tofu: nan - Accuracy Eggplant: nan - Accuracy Potato: 0.4847 - Accuracy Garlic: nan - Accuracy Cauliflower: 0.0 - Accuracy Tomato: 0.3533 - Accuracy Kelp: nan - Accuracy Seaweed: nan - Accuracy Spring onion: 0.0 - Accuracy Rape: nan - Accuracy Ginger: nan - Accuracy Okra: nan - Accuracy Lettuce: 0.0 - Accuracy Pumpkin: 0.0 - Accuracy Cucumber: 0.0 - Accuracy White radish: nan - Accuracy Carrot: 0.7820 - Accuracy Asparagus: nan - Accuracy Bamboo shoots: nan - Accuracy Broccoli: 0.8968 - Accuracy Celery stick: 0.0 - Accuracy Cilantro mint: 0.0 - Accuracy Snow peas: nan - Accuracy cabbage: nan - Accuracy Bean sprouts: nan - Accuracy Onion: 0.0 - Accuracy Pepper: 0.0 - Accuracy Green beans: 0.0 - Accuracy French beans: nan - Accuracy King oyster mushroom: nan - Accuracy Shiitake: nan - Accuracy Enoki mushroom: nan - Accuracy Oyster mushroom: nan - Accuracy White button mushroom: nan - Accuracy Salad: nan - Accuracy Other ingredients: 0.0 - Iou Background: 0.0 - Iou Candy: nan - Iou Egg tart: nan - Iou French fries: 0.0043 - Iou Chocolate: nan - 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: nan - 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: nan - Iou Strawberry: 0.0 - Iou Cherry: nan - Iou Blueberry: 0.0 - Iou Raspberry: nan - Iou Mango: nan - Iou Olives: nan - Iou Peach: nan - Iou Lemon: 0.1992 - Iou Pear: nan - Iou Fig: nan - Iou Pineapple: nan - Iou Grape: 0.0 - Iou Kiwi: 0.0 - Iou Melon: nan - Iou Orange: 0.0326 - Iou Watermelon: nan - Iou Steak: 0.0 - Iou Pork: 0.1148 - Iou Chicken duck: 0.0950 - Iou Sausage: 0.0 - Iou Fried meat: nan - Iou Lamb: nan - Iou Sauce: 0.0298 - Iou Crab: nan - Iou Fish: 0.0 - Iou Shellfish: nan - Iou Shrimp: nan - Iou Soup: nan - Iou Bread: 0.2608 - Iou Corn: 0.0 - Iou Hamburg: nan - Iou Pizza: nan - Iou hanamaki baozi: nan - Iou Wonton dumplings: nan - Iou Pasta: nan - Iou Noodles: nan - Iou Rice: 0.5581 - Iou Pie: 0.0 - Iou Tofu: nan - Iou Eggplant: nan - Iou Potato: 0.2434 - Iou Garlic: nan - Iou Cauliflower: 0.0 - Iou Tomato: 0.2617 - Iou Kelp: nan - Iou Seaweed: nan - Iou Spring onion: 0.0 - Iou Rape: nan - Iou Ginger: nan - Iou Okra: nan - Iou Lettuce: 0.0 - Iou Pumpkin: 0.0 - Iou Cucumber: 0.0 - Iou White radish: nan - Iou Carrot: 0.5110 - Iou Asparagus: 0.0 - Iou Bamboo shoots: nan - Iou Broccoli: 0.2335 - Iou Celery stick: 0.0 - Iou Cilantro mint: 0.0 - Iou Snow peas: nan - Iou cabbage: nan - Iou Bean sprouts: nan - Iou Onion: 0.0 - Iou Pepper: 0.0 - Iou Green beans: 0.0 - 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: nan - Iou Salad: nan - Iou Other ingredients: 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: 0.0001 - 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 | |:-------------:|:-----:|:----:|:---------------:|:--------:|:-------------:|:----------------:|:-------------------:|:--------------:|:-----------------:|:---------------------:|:------------------:|:----------------:|:----------------:|:----------------:|:------------------:|:----------------------:|:-------------:|:-------------:|:------------------:|:---------------:|:--------------:|:-------------:|:------------:|:---------------:|:------------------:|:---------------:|:--------------------------:|:------------:|:---------------:|:---------------:|:------------:|:--------------:|:-------------:|:----------------:|:----------------:|:---------------:|:-------------------:|:---------------:|:------------------:|:------------------:|:--------------:|:---------------:|:--------------:|:--------------:|:-------------:|:------------:|:------------------:|:--------------:|:-------------:|:--------------:|:---------------:|:-------------------:|:--------------:|:-------------:|:---------------------:|:----------------:|:-------------------:|:-------------:|:--------------:|:-------------:|:-------------:|:------------------:|:---------------:|:-------------:|:--------------:|:-------------:|:----------------:|:--------------:|:------------------------:|:-------------------------:|:--------------:|:----------------:|:-------------:|:------------:|:-------------:|:-----------------:|:---------------:|:---------------:|:--------------------:|:---------------:|:-------------:|:----------------:|:---------------------:|:-------------:|:---------------:|:-------------:|:----------------:|:----------------:|:-----------------:|:---------------------:|:---------------:|:------------------:|:----------------------:|:-----------------:|:---------------------:|:----------------------:|:------------------:|:-----------------:|:---------------------:|:--------------:|:---------------:|:--------------------:|:---------------------:|:-----------------------------:|:-----------------:|:-----------------------:|:------------------------:|:------------------------------:|:--------------:|:--------------------------:|:--------------:|:---------:|:------------:|:----------------:|:-------------:|:-----------:|:-----------:|:-----------:|:-------------:|:-----------------:|:--------:|:--------:|:-------------:|:----------:|:---------:|:--------:|:-------:|:----------:|:-------------:|:----------:|:---------------------:|:-------:|:----------:|:----------:|:-------:|:---------:|:--------:|:-----------:|:-----------:|:----------:|:--------------:|:----------:|:-------------:|:-------------:|:---------:|:----------:|:---------:|:---------:|:--------:|:-------:|:-------------:|:---------:|:--------:|:---------:|:----------:|:--------------:|:---------:|:--------:|:----------------:|:-----------:|:--------------:|:--------:|:---------:|:--------:|:--------:|:-------------:|:----------:|:--------:|:---------:|:--------:|:-----------:|:---------:|:-------------------:|:--------------------:|:---------:|:-----------:|:--------:|:-------:|:--------:|:------------:|:----------:|:----------:|:---------------:|:----------:|:--------:|:-----------:|:----------------:|:--------:|:----------:|:--------:|:-----------:|:-----------:|:------------:|:----------------:|:----------:|:-------------:|:-----------------:|:------------:|:----------------:|:-----------------:|:-------------:|:------------:|:----------------:|:---------:|:----------:|:---------------:|:----------------:|:------------------------:|:------------:|:------------------:|:-------------------:|:-------------------------:|:---------:|:---------------------:| | 2.7162 | 10.0 | 100 | 2.6801 | 0.0326 | 0.0975 | 0.1897 | nan | nan | nan | 0.0000 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0 | nan | nan | 0.0008 | 0.3998 | 0.0 | nan | nan | 0.0106 | nan | 0.0 | nan | nan | nan | 0.5280 | nan | nan | nan | nan | nan | nan | nan | 0.2789 | 0.0 | nan | nan | 0.3304 | nan | 0.0 | 0.1307 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.8033 | nan | nan | 0.8330 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0000 | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0 | nan | 0.0 | 0.0007 | 0.0741 | 0.0 | nan | nan | 0.0042 | nan | 0.0 | 0.0 | nan | nan | 0.2886 | 0.0 | nan | nan | nan | nan | nan | nan | 0.2364 | 0.0 | nan | nan | 0.2336 | nan | 0.0 | 0.1061 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.2684 | 0.0 | nan | 0.1901 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | | 1.859 | 20.0 | 200 | 2.2530 | 0.0489 | 0.1145 | 0.2253 | nan | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0 | nan | nan | 0.0035 | 0.1003 | 0.0 | nan | nan | 0.0500 | nan | 0.0 | nan | nan | nan | 0.5894 | nan | nan | nan | nan | nan | nan | nan | 0.7771 | 0.0025 | nan | nan | 0.4030 | nan | 0.0 | 0.3669 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.7427 | nan | nan | 0.8588 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0 | nan | 0.0 | 0.0032 | 0.0411 | 0.0 | nan | nan | 0.0177 | nan | 0.0 | nan | nan | nan | 0.2596 | 0.0 | nan | nan | nan | nan | nan | nan | 0.4561 | 0.0010 | nan | nan | 0.2965 | nan | 0.0 | 0.2613 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.4270 | 0.0 | nan | 0.1933 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | | 1.4433 | 30.0 | 300 | 2.1218 | 0.0597 | 0.1303 | 0.2362 | nan | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.1094 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0394 | nan | nan | 0.0811 | 0.2829 | 0.0 | nan | nan | 0.0623 | nan | 0.0 | nan | nan | nan | 0.5184 | nan | nan | nan | nan | nan | nan | nan | 0.8217 | 0.0 | nan | nan | 0.4458 | nan | 0.0 | 0.3345 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.8465 | nan | nan | 0.8885 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.1064 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0394 | nan | 0.0 | 0.0789 | 0.1016 | 0.0 | nan | nan | 0.0218 | nan | 0.0 | nan | nan | nan | 0.2490 | 0.0 | nan | nan | nan | nan | nan | nan | 0.5284 | 0.0 | nan | nan | 0.2913 | nan | 0.0 | 0.2548 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.4633 | 0.0 | nan | 0.1923 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | | 1.2355 | 40.0 | 400 | 2.0425 | 0.0637 | 0.1411 | 0.2425 | nan | nan | nan | 0.0088 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.3867 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0263 | nan | nan | 0.1149 | 0.2447 | 0.0 | nan | nan | 0.0802 | nan | 0.0 | nan | nan | nan | 0.5466 | nan | nan | nan | nan | nan | nan | nan | 0.8522 | 0.0000 | nan | nan | 0.4784 | nan | 0.0 | 0.3390 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.8193 | nan | nan | 0.9016 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0080 | nan | 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 | nan | 0.0 | nan | 0.0 | nan | nan | nan | nan | 0.2547 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0263 | nan | 0.0 | 0.1059 | 0.0885 | 0.0 | nan | nan | 0.0276 | nan | 0.0 | nan | nan | nan | 0.2568 | 0.0 | nan | nan | nan | nan | nan | nan | 0.5456 | 0.0000 | nan | nan | 0.2725 | nan | 0.0 | 0.2551 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.5393 | 0.0 | nan | 0.2314 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | | 1.1372 | 50.0 | 500 | 2.0228 | 0.0621 | 0.1402 | 0.2390 | nan | nan | nan | 0.0048 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.3528 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0326 | nan | nan | 0.1314 | 0.2786 | 0.0 | nan | nan | 0.0907 | nan | 0.0 | nan | nan | nan | 0.5107 | nan | nan | nan | nan | nan | nan | nan | 0.8496 | 0.0 | nan | nan | 0.4847 | nan | 0.0 | 0.3533 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.7820 | nan | nan | 0.8968 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0043 | nan | 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 | nan | 0.0 | nan | 0.0 | nan | nan | nan | nan | 0.1992 | nan | nan | nan | 0.0 | 0.0 | nan | 0.0326 | nan | 0.0 | 0.1148 | 0.0950 | 0.0 | nan | nan | 0.0298 | nan | 0.0 | nan | nan | nan | 0.2608 | 0.0 | nan | nan | nan | nan | nan | nan | 0.5581 | 0.0 | nan | nan | 0.2434 | nan | 0.0 | 0.2617 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.5110 | 0.0 | nan | 0.2335 | 0.0 | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | ### Framework versions - Transformers 4.46.3 - Pytorch 2.5.1+cu121 - Datasets 3.2.0 - Tokenizers 0.20.3