DETR

This model is a fine-tuned version of facebook/detr-resnet-50-dc5 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.6175
Map: 0.0235
Map 50: 0.0454
Map 75: 0.0236
Map Small: 0.0
Map Medium: 0.0065
Map Large: 0.0651
Mar 1: 0.0428
Mar 10: 0.1393
Mar 100: 0.3049
Mar Small: 0.0
Mar Medium: 0.2244
Mar Large: 0.4274
Map D10: 0.0131
Mar 100 D10: 0.3508
Map D20: 0.0574
Mar 100 D20: 0.564
Map D40: 0.0
Mar 100 D40: 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: 1e-05
train_batch_size: 4
eval_batch_size: 4
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
training_steps: 10000
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map D0	Mar 100 D0	Map D10	Mar 100 D10	Map D20	Mar 100 D20	Map D40	Mar 100 D40
5.176	0.1238	200	4.6596	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0003	0.0	0.0	0.0015	-1.0	-1.0	0.0	0.0008	0.0	0.0	0.0	0.0
3.0396	0.2475	400	3.5515	0.0	0.0001	0.0	0.0	0.0001	0.0001	0.0	0.0067	0.0307	0.0	0.0333	0.045	-1.0	-1.0	0.0	0.0	0.0001	0.092	0.0	0.0
2.95	0.3713	600	3.2961	0.0001	0.0003	0.0	0.0	0.0	0.0003	0.0	0.0027	0.0613	0.0	0.0	0.115	0.0	0.0	0.0002	0.184	0.0	0.0
2.6609	0.4950	800	3.3303	0.0001	0.0006	0.0	0.0	0.0001	0.0003	0.0	0.008	0.072	0.0	0.0467	0.1175	0.0	0.0	0.0004	0.216	0.0	0.0
3.2776	0.6188	1000	3.0383	0.0002	0.0007	0.0	0.0	0.0002	0.0003	0.0	0.008	0.0733	0.0	0.0467	0.12	0.0	0.0	0.0005	0.22	0.0	0.0
2.7712	0.7426	1200	2.9071	0.0004	0.0015	0.0	0.0	0.0022	0.0006	0.0	0.0253	0.0627	0.0	0.0333	0.105	0.0	0.0	0.0011	0.188	0.0	0.0
2.4005	0.8663	1400	2.7352	0.001	0.0069	0.0001	0.0	0.0023	0.0018	0.0013	0.0227	0.0907	0.0	0.06	0.1475	0.0	0.0	0.003	0.272	0.0	0.0
2.6812	0.9901	1600	2.5448	0.0009	0.0037	0.0001	0.0	0.0005	0.0016	0.004	0.0267	0.0987	0.0	0.06	0.1625	0.0	0.0	0.0026	0.296	0.0	0.0
1.8313	1.1139	1800	2.3839	0.0009	0.003	0.0	0.0	0.0002	0.0018	0.008	0.02	0.1173	0.0	0.1067	0.18	0.0	0.0	0.0028	0.352	0.0	0.0
2.6377	1.2376	2000	2.3837	0.0013	0.0033	0.0004	0.0	0.0001	0.0023	0.0	0.0347	0.1253	0.0	0.0667	0.21	0.0	0.0	0.0038	0.376	0.0	0.0
1.919	1.3614	2200	2.4226	0.0021	0.0078	0.0001	0.0	0.0001	0.0039	0.004	0.028	0.1227	0.0	0.0467	0.2125	0.0	0.0	0.0064	0.368	0.0	0.0
2.1093	1.4851	2400	2.3144	0.006	0.0232	0.0011	0.0	0.0	0.0109	0.0093	0.0307	0.12	0.0	0.0533	0.205	0.0	0.0	0.0179	0.36	0.0	0.0
2.4712	1.6089	2600	2.1712	0.0045	0.0271	0.0002	0.0	0.0001	0.0082	0.0061	0.0381	0.1355	0.0	0.0811	0.2225	0.0001	0.0024	0.0135	0.404	0.0	0.0
1.6899	1.7327	2800	2.1685	0.0053	0.0234	0.0004	0.0	0.0002	0.0096	0.0123	0.0456	0.1269	0.0	0.0689	0.21	0.0001	0.0048	0.0158	0.376	0.0	0.0
2.2178	1.8564	3000	2.0968	0.0049	0.0198	0.0004	0.0	0.0002	0.0087	0.0104	0.0291	0.1344	0.0	0.0748	0.2225	0.0001	0.0032	0.0145	0.4	0.0	0.0
1.8933	1.9802	3200	2.0313	0.0083	0.025	0.0006	0.0	0.0007	0.0145	0.0144	0.0429	0.1535	0.0	0.0847	0.245	0.0011	0.0246	0.024	0.436	0.0	0.0
1.853	2.1040	3400	2.0302	0.0068	0.0188	0.0045	0.0	0.0008	0.0119	0.0088	0.0455	0.161	0.0	0.1331	0.2325	0.0007	0.0429	0.0196	0.44	0.0	0.0
2.0421	2.2277	3600	1.9522	0.0207	0.0411	0.0193	0.0	0.0011	0.0369	0.0243	0.0638	0.1649	0.0	0.0889	0.2475	0.0018	0.0627	0.0603	0.432	0.0	0.0
1.8444	2.3515	3800	2.0036	0.0147	0.0308	0.02	0.0	0.0013	0.0268	0.0227	0.0788	0.1709	0.0	0.1521	0.2219	0.0016	0.1008	0.0425	0.412	0.0	0.0
1.6694	2.4752	4000	1.9610	0.0219	0.0511	0.0122	0.0	0.0019	0.0398	0.0232	0.0776	0.1888	0.0	0.1421	0.2569	0.0034	0.1063	0.0624	0.46	0.0	0.0
2.3946	2.5990	4200	2.0770	0.0108	0.0275	0.0083	0.0	0.0018	0.0197	0.0197	0.0792	0.1907	0.0	0.1258	0.2709	0.0033	0.1	0.029	0.472	0.0	0.0
2.4217	2.7228	4400	1.9638	0.021	0.0442	0.0115	0.0	0.004	0.0464	0.041	0.1054	0.2092	0.0	0.1873	0.2597	0.0047	0.1675	0.0583	0.46	0.0	0.0
1.6397	2.8465	4600	1.9357	0.0216	0.0519	0.0047	0.0	0.0031	0.048	0.0341	0.0923	0.2212	0.0	0.1441	0.3116	0.0055	0.1476	0.0592	0.516	0.0	0.0
1.9243	2.9703	4800	1.8502	0.016	0.0432	0.0039	0.0	0.0034	0.0347	0.0226	0.0791	0.231	0.0	0.1428	0.3194	0.0072	0.1929	0.041	0.5	0.0	0.0
1.6861	3.0941	5000	1.9368	0.0189	0.0463	0.0114	0.0	0.0031	0.0368	0.0296	0.0848	0.2233	0.0	0.1311	0.3112	0.0063	0.1619	0.0505	0.508	0.0	0.0
1.9067	3.2178	5200	1.8978	0.0169	0.0433	0.0074	0.0	0.0041	0.0449	0.0309	0.081	0.2381	0.0	0.1179	0.3378	0.0084	0.2143	0.0422	0.5	0.0	0.0
2.3952	3.3416	5400	1.8205	0.0156	0.0393	0.0099	0.0	0.0037	0.0402	0.0234	0.0938	0.2529	0.0	0.214	0.3157	0.0077	0.2508	0.0391	0.508	0.0	0.0
1.7741	3.4653	5600	1.7616	0.0256	0.057	0.0269	0.0	0.0045	0.0726	0.0301	0.0879	0.2614	0.0	0.1933	0.3504	0.0097	0.2563	0.067	0.528	0.0	0.0
1.5789	3.5891	5800	1.8325	0.0216	0.0437	0.0189	0.0064	0.0032	0.0411	0.0706	0.137	0.2674	0.0625	0.1486	0.314	0.0064	0.2063	0.0542	0.496	0.0043	0.1
1.631	3.7129	6000	1.8235	0.0209	0.0442	0.0203	0.0035	0.0036	0.0411	0.0583	0.1205	0.2719	0.0375	0.2023	0.3185	0.0065	0.2198	0.0543	0.536	0.0019	0.06
1.9591	3.8366	6200	1.6983	0.0195	0.0438	0.012	0.0	0.0054	0.0464	0.0322	0.0967	0.2888	0.0	0.2202	0.4049	0.0126	0.2865	0.046	0.58	0.0	0.0
1.7331	3.9604	6400	1.7687	0.0193	0.0422	0.016	0.0	0.0046	0.0485	0.0314	0.1196	0.2662	0.0	0.1969	0.3584	0.0095	0.2627	0.0484	0.536	0.0	0.0
1.5073	4.0842	6600	1.7121	0.0211	0.0444	0.022	0.0	0.005	0.0472	0.0309	0.1175	0.2625	0.0	0.1658	0.3643	0.0107	0.2714	0.0525	0.516	0.0	0.0
1.9417	4.2079	6800	1.7394	0.0264	0.049	0.0244	0.0012	0.0055	0.0582	0.0461	0.1449	0.2889	0.0125	0.2006	0.3824	0.0113	0.2746	0.0671	0.572	0.0007	0.02
1.8069	4.3317	7000	1.7050	0.0244	0.0497	0.0223	0.0	0.0051	0.0641	0.0484	0.1316	0.2643	0.0	0.1977	0.3856	0.0118	0.273	0.0614	0.52	0.0	0.0
1.2717	4.4554	7200	1.6229	0.0268	0.0508	0.0255	0.0	0.0078	0.0583	0.0468	0.1427	0.293	0.0	0.2127	0.4259	0.0182	0.3111	0.0621	0.568	0.0	0.0
1.8009	4.5792	7400	1.6753	0.0236	0.0533	0.0115	0.0	0.0053	0.0566	0.042	0.1215	0.284	0.0	0.222	0.3743	0.011	0.2921	0.0598	0.56	0.0	0.0
1.8661	4.7030	7600	1.6594	0.0234	0.0429	0.0232	0.0	0.0055	0.06	0.045	0.1372	0.2938	0.0	0.2174	0.4115	0.0116	0.3333	0.0586	0.548	0.0	0.0
1.5983	4.8267	7800	1.6727	0.0206	0.0436	0.0123	0.0	0.0056	0.0529	0.0447	0.1407	0.2986	0.0	0.2537	0.3909	0.0108	0.3278	0.051	0.568	0.0	0.0
2.0424	4.9505	8000	1.7269	0.0302	0.0571	0.0391	0.0	0.0062	0.0693	0.0431	0.1223	0.2887	0.0	0.2152	0.3659	0.0112	0.3222	0.0793	0.544	0.0	0.0
1.3068	5.0743	8200	1.6624	0.0233	0.0437	0.0233	0.0	0.0059	0.0579	0.0426	0.1324	0.293	0.0	0.2378	0.385	0.0109	0.319	0.0589	0.56	0.0	0.0
1.7284	5.1980	8400	1.6596	0.0286	0.0553	0.0327	0.0	0.0067	0.0699	0.0497	0.1385	0.2959	0.0	0.2515	0.3932	0.013	0.3278	0.0728	0.56	0.0	0.0
2.2819	5.3218	8600	1.6320	0.0221	0.0446	0.0151	0.0	0.0061	0.058	0.045	0.142	0.3095	0.0	0.2607	0.4043	0.013	0.3484	0.0533	0.58	0.0	0.0
1.2565	5.4455	8800	1.6319	0.0241	0.0507	0.0224	0.0	0.0057	0.0567	0.0399	0.1444	0.2943	0.0	0.2259	0.3918	0.0113	0.3429	0.061	0.54	0.0	0.0
2.0009	5.5693	9000	1.6232	0.0228	0.0461	0.0226	0.0	0.006	0.056	0.0405	0.1401	0.3026	0.0	0.2203	0.4063	0.0122	0.3437	0.0563	0.564	0.0	0.0
1.1549	5.6931	9200	1.6247	0.0241	0.0472	0.0221	0.0	0.0065	0.0703	0.0455	0.1297	0.3044	0.0	0.2236	0.4165	0.0144	0.3611	0.0579	0.552	0.0	0.0
1.3283	5.8168	9400	1.6025	0.0243	0.0497	0.023	0.0	0.0064	0.0683	0.0383	0.1299	0.3044	0.0	0.214	0.421	0.0137	0.3532	0.0592	0.56	0.0	0.0
1.9137	5.9406	9600	1.6489	0.0234	0.0454	0.024	0.0	0.0065	0.0713	0.0418	0.1353	0.3055	0.0	0.2311	0.4166	0.0127	0.3444	0.0576	0.572	0.0	0.0
1.8353	6.0644	9800	1.6261	0.0234	0.0451	0.0237	0.0	0.0064	0.0638	0.0426	0.1372	0.306	0.0	0.2318	0.4229	0.0127	0.35	0.0576	0.568	0.0	0.0
1.5491	6.1881	10000	1.6175	0.0235	0.0454	0.0236	0.0	0.0065	0.0651	0.0428	0.1393	0.3049	0.0	0.2244	0.4274	0.0131	0.3508	0.0574	0.564	0.0	0.0

Framework versions

Transformers 4.47.0
Pytorch 2.5.1+cu121
Datasets 3.2.0
Tokenizers 0.21.0

Loading…

DETR

This model is a fine-tuned version of facebook/detr-resnet-50-dc5 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.6175

Map: 0.0235

Map 50: 0.0454

Map 75: 0.0236

Map Small: 0.0

Map Medium: 0.0065

Map Large: 0.0651

Mar 1: 0.0428

Mar 10: 0.1393

Mar 100: 0.3049

Mar Small: 0.0

Mar Medium: 0.2244

Mar Large: 0.4274

Map D10: 0.0131

Mar 100 D10: 0.3508

Map D20: 0.0574

Mar 100 D20: 0.564

Map D40: 0.0

Mar 100 D40: 0.0

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05

train_batch_size: 4

eval_batch_size: 4

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

training_steps: 10000

mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map D0	Mar 100 D0	Map D10	Mar 100 D10	Map D20	Mar 100 D20	Map D40	Mar 100 D40
5.176	0.1238	200	4.6596	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0003	0.0	0.0	0.0015	-1.0	-1.0	0.0	0.0008	0.0	0.0	0.0	0.0
3.0396	0.2475	400	3.5515	0.0	0.0001	0.0	0.0	0.0001	0.0001	0.0	0.0067	0.0307	0.0	0.0333	0.045	-1.0	-1.0	0.0	0.0	0.0001	0.092	0.0	0.0
2.95	0.3713	600	3.2961	0.0001	0.0003	0.0	0.0	0.0	0.0003	0.0	0.0027	0.0613	0.0	0.0	0.115	0.0	0.0	0.0002	0.184	0.0	0.0
2.6609	0.4950	800	3.3303	0.0001	0.0006	0.0	0.0	0.0001	0.0003	0.0	0.008	0.072	0.0	0.0467	0.1175	0.0	0.0	0.0004	0.216	0.0	0.0
3.2776	0.6188	1000	3.0383	0.0002	0.0007	0.0	0.0	0.0002	0.0003	0.0	0.008	0.0733	0.0	0.0467	0.12	0.0	0.0	0.0005	0.22	0.0	0.0
2.7712	0.7426	1200	2.9071	0.0004	0.0015	0.0	0.0	0.0022	0.0006	0.0	0.0253	0.0627	0.0	0.0333	0.105	0.0	0.0	0.0011	0.188	0.0	0.0
2.4005	0.8663	1400	2.7352	0.001	0.0069	0.0001	0.0	0.0023	0.0018	0.0013	0.0227	0.0907	0.0	0.06	0.1475	0.0	0.0	0.003	0.272	0.0	0.0
2.6812	0.9901	1600	2.5448	0.0009	0.0037	0.0001	0.0	0.0005	0.0016	0.004	0.0267	0.0987	0.0	0.06	0.1625	0.0	0.0	0.0026	0.296	0.0	0.0
1.8313	1.1139	1800	2.3839	0.0009	0.003	0.0	0.0	0.0002	0.0018	0.008	0.02	0.1173	0.0	0.1067	0.18	0.0	0.0	0.0028	0.352	0.0	0.0
2.6377	1.2376	2000	2.3837	0.0013	0.0033	0.0004	0.0	0.0001	0.0023	0.0	0.0347	0.1253	0.0	0.0667	0.21	0.0	0.0	0.0038	0.376	0.0	0.0
1.919	1.3614	2200	2.4226	0.0021	0.0078	0.0001	0.0	0.0001	0.0039	0.004	0.028	0.1227	0.0	0.0467	0.2125	0.0	0.0	0.0064	0.368	0.0	0.0
2.1093	1.4851	2400	2.3144	0.006	0.0232	0.0011	0.0	0.0	0.0109	0.0093	0.0307	0.12	0.0	0.0533	0.205	0.0	0.0	0.0179	0.36	0.0	0.0
2.4712	1.6089	2600	2.1712	0.0045	0.0271	0.0002	0.0	0.0001	0.0082	0.0061	0.0381	0.1355	0.0	0.0811	0.2225	0.0001	0.0024	0.0135	0.404	0.0	0.0
1.6899	1.7327	2800	2.1685	0.0053	0.0234	0.0004	0.0	0.0002	0.0096	0.0123	0.0456	0.1269	0.0	0.0689	0.21	0.0001	0.0048	0.0158	0.376	0.0	0.0
2.2178	1.8564	3000	2.0968	0.0049	0.0198	0.0004	0.0	0.0002	0.0087	0.0104	0.0291	0.1344	0.0	0.0748	0.2225	0.0001	0.0032	0.0145	0.4	0.0	0.0
1.8933	1.9802	3200	2.0313	0.0083	0.025	0.0006	0.0	0.0007	0.0145	0.0144	0.0429	0.1535	0.0	0.0847	0.245	0.0011	0.0246	0.024	0.436	0.0	0.0
1.853	2.1040	3400	2.0302	0.0068	0.0188	0.0045	0.0	0.0008	0.0119	0.0088	0.0455	0.161	0.0	0.1331	0.2325	0.0007	0.0429	0.0196	0.44	0.0	0.0
2.0421	2.2277	3600	1.9522	0.0207	0.0411	0.0193	0.0	0.0011	0.0369	0.0243	0.0638	0.1649	0.0	0.0889	0.2475	0.0018	0.0627	0.0603	0.432	0.0	0.0
1.8444	2.3515	3800	2.0036	0.0147	0.0308	0.02	0.0	0.0013	0.0268	0.0227	0.0788	0.1709	0.0	0.1521	0.2219	0.0016	0.1008	0.0425	0.412	0.0	0.0
1.6694	2.4752	4000	1.9610	0.0219	0.0511	0.0122	0.0	0.0019	0.0398	0.0232	0.0776	0.1888	0.0	0.1421	0.2569	0.0034	0.1063	0.0624	0.46	0.0	0.0
2.3946	2.5990	4200	2.0770	0.0108	0.0275	0.0083	0.0	0.0018	0.0197	0.0197	0.0792	0.1907	0.0	0.1258	0.2709	0.0033	0.1	0.029	0.472	0.0	0.0
2.4217	2.7228	4400	1.9638	0.021	0.0442	0.0115	0.0	0.004	0.0464	0.041	0.1054	0.2092	0.0	0.1873	0.2597	0.0047	0.1675	0.0583	0.46	0.0	0.0
1.6397	2.8465	4600	1.9357	0.0216	0.0519	0.0047	0.0	0.0031	0.048	0.0341	0.0923	0.2212	0.0	0.1441	0.3116	0.0055	0.1476	0.0592	0.516	0.0	0.0
1.9243	2.9703	4800	1.8502	0.016	0.0432	0.0039	0.0	0.0034	0.0347	0.0226	0.0791	0.231	0.0	0.1428	0.3194	0.0072	0.1929	0.041	0.5	0.0	0.0
1.6861	3.0941	5000	1.9368	0.0189	0.0463	0.0114	0.0	0.0031	0.0368	0.0296	0.0848	0.2233	0.0	0.1311	0.3112	0.0063	0.1619	0.0505	0.508	0.0	0.0
1.9067	3.2178	5200	1.8978	0.0169	0.0433	0.0074	0.0	0.0041	0.0449	0.0309	0.081	0.2381	0.0	0.1179	0.3378	0.0084	0.2143	0.0422	0.5	0.0	0.0
2.3952	3.3416	5400	1.8205	0.0156	0.0393	0.0099	0.0	0.0037	0.0402	0.0234	0.0938	0.2529	0.0	0.214	0.3157	0.0077	0.2508	0.0391	0.508	0.0	0.0
1.7741	3.4653	5600	1.7616	0.0256	0.057	0.0269	0.0	0.0045	0.0726	0.0301	0.0879	0.2614	0.0	0.1933	0.3504	0.0097	0.2563	0.067	0.528	0.0	0.0
1.5789	3.5891	5800	1.8325	0.0216	0.0437	0.0189	0.0064	0.0032	0.0411	0.0706	0.137	0.2674	0.0625	0.1486	0.314	0.0064	0.2063	0.0542	0.496	0.0043	0.1
1.631	3.7129	6000	1.8235	0.0209	0.0442	0.0203	0.0035	0.0036	0.0411	0.0583	0.1205	0.2719	0.0375	0.2023	0.3185	0.0065	0.2198	0.0543	0.536	0.0019	0.06
1.9591	3.8366	6200	1.6983	0.0195	0.0438	0.012	0.0	0.0054	0.0464	0.0322	0.0967	0.2888	0.0	0.2202	0.4049	0.0126	0.2865	0.046	0.58	0.0	0.0
1.7331	3.9604	6400	1.7687	0.0193	0.0422	0.016	0.0	0.0046	0.0485	0.0314	0.1196	0.2662	0.0	0.1969	0.3584	0.0095	0.2627	0.0484	0.536	0.0	0.0
1.5073	4.0842	6600	1.7121	0.0211	0.0444	0.022	0.0	0.005	0.0472	0.0309	0.1175	0.2625	0.0	0.1658	0.3643	0.0107	0.2714	0.0525	0.516	0.0	0.0
1.9417	4.2079	6800	1.7394	0.0264	0.049	0.0244	0.0012	0.0055	0.0582	0.0461	0.1449	0.2889	0.0125	0.2006	0.3824	0.0113	0.2746	0.0671	0.572	0.0007	0.02
1.8069	4.3317	7000	1.7050	0.0244	0.0497	0.0223	0.0	0.0051	0.0641	0.0484	0.1316	0.2643	0.0	0.1977	0.3856	0.0118	0.273	0.0614	0.52	0.0	0.0
1.2717	4.4554	7200	1.6229	0.0268	0.0508	0.0255	0.0	0.0078	0.0583	0.0468	0.1427	0.293	0.0	0.2127	0.4259	0.0182	0.3111	0.0621	0.568	0.0	0.0
1.8009	4.5792	7400	1.6753	0.0236	0.0533	0.0115	0.0	0.0053	0.0566	0.042	0.1215	0.284	0.0	0.222	0.3743	0.011	0.2921	0.0598	0.56	0.0	0.0
1.8661	4.7030	7600	1.6594	0.0234	0.0429	0.0232	0.0	0.0055	0.06	0.045	0.1372	0.2938	0.0	0.2174	0.4115	0.0116	0.3333	0.0586	0.548	0.0	0.0
1.5983	4.8267	7800	1.6727	0.0206	0.0436	0.0123	0.0	0.0056	0.0529	0.0447	0.1407	0.2986	0.0	0.2537	0.3909	0.0108	0.3278	0.051	0.568	0.0	0.0
2.0424	4.9505	8000	1.7269	0.0302	0.0571	0.0391	0.0	0.0062	0.0693	0.0431	0.1223	0.2887	0.0	0.2152	0.3659	0.0112	0.3222	0.0793	0.544	0.0	0.0
1.3068	5.0743	8200	1.6624	0.0233	0.0437	0.0233	0.0	0.0059	0.0579	0.0426	0.1324	0.293	0.0	0.2378	0.385	0.0109	0.319	0.0589	0.56	0.0	0.0
1.7284	5.1980	8400	1.6596	0.0286	0.0553	0.0327	0.0	0.0067	0.0699	0.0497	0.1385	0.2959	0.0	0.2515	0.3932	0.013	0.3278	0.0728	0.56	0.0	0.0
2.2819	5.3218	8600	1.6320	0.0221	0.0446	0.0151	0.0	0.0061	0.058	0.045	0.142	0.3095	0.0	0.2607	0.4043	0.013	0.3484	0.0533	0.58	0.0	0.0
1.2565	5.4455	8800	1.6319	0.0241	0.0507	0.0224	0.0	0.0057	0.0567	0.0399	0.1444	0.2943	0.0	0.2259	0.3918	0.0113	0.3429	0.061	0.54	0.0	0.0
2.0009	5.5693	9000	1.6232	0.0228	0.0461	0.0226	0.0	0.006	0.056	0.0405	0.1401	0.3026	0.0	0.2203	0.4063	0.0122	0.3437	0.0563	0.564	0.0	0.0
1.1549	5.6931	9200	1.6247	0.0241	0.0472	0.0221	0.0	0.0065	0.0703	0.0455	0.1297	0.3044	0.0	0.2236	0.4165	0.0144	0.3611	0.0579	0.552	0.0	0.0
1.3283	5.8168	9400	1.6025	0.0243	0.0497	0.023	0.0	0.0064	0.0683	0.0383	0.1299	0.3044	0.0	0.214	0.421	0.0137	0.3532	0.0592	0.56	0.0	0.0
1.9137	5.9406	9600	1.6489	0.0234	0.0454	0.024	0.0	0.0065	0.0713	0.0418	0.1353	0.3055	0.0	0.2311	0.4166	0.0127	0.3444	0.0576	0.572	0.0	0.0
1.8353	6.0644	9800	1.6261	0.0234	0.0451	0.0237	0.0	0.0064	0.0638	0.0426	0.1372	0.306	0.0	0.2318	0.4229	0.0127	0.35	0.0576	0.568	0.0	0.0
1.5491	6.1881	10000	1.6175	0.0235	0.0454	0.0236	0.0	0.0065	0.0651	0.0428	0.1393	0.3049	0.0	0.2244	0.4274	0.0131	0.3508	0.0574	0.564	0.0	0.0

Framework versions

Transformers 4.47.0

Pytorch 2.5.1+cu121

Datasets 3.2.0

Tokenizers 0.21.0

ryfkn/DETR

DETR

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

DETR

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions