--- 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: 2.1878 - 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