lilt-en-1k_img

BWayne/lilt-en-1k_img

lilt-en-1k_img is a token classification model from BWayne. Use it when you need labels on individual words, such as names. It is set up for transformers. The card lists the license as mit.

should probably proofread and complete it, then remove this comment. --

Downloads · 30 days

2% of all-time downloads

All-time downloads

309

Public

Repo size

2.1 GB

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.bin521 MB · 99%

At a glance

Task: Token Classification
Library: transformers
License: mit
Model type: lilt
Access: Public
Created: Apr 21, 2023
Updated: Apr 21, 2023
SHA: 2985f7f2

Try a prompt

Model card

From the Hugging Face model README

lilt-en-1k_img

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: 2.1240
Able: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}
Able caption: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}
Eading: {'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}
Ext: {'precision': 0.7962962962962963, 'recall': 0.7962962962962963, 'f1': 0.7962962962962963, 'number': 54}
Mage: {'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}
Mage caption: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}
Ub heading: {'precision': 0.5858585858585859, 'recall': 0.7435897435897436, 'f1': 0.655367231638418, 'number': 78}
Overall Precision: 0.5860
Overall Recall: 0.5833
Overall F1: 0.5847
Overall Accuracy: 0.6767

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	Able	Able caption	Eading	Ext	Mage	Mage caption	Ub heading	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.8351	2.0	200	1.1577	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1724137931034483, 'recall': 0.20833333333333334, 'f1': 0.18867924528301888, 'number': 24}	{'precision': 0.7321428571428571, 'recall': 0.7592592592592593, 'f1': 0.7454545454545455, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5662650602409639, 'recall': 0.6025641025641025, 'f1': 0.5838509316770186, 'number': 78}	0.5476	0.5324	0.5399	0.6567
0.5827	4.0	400	1.7815	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.23076923076923078, 'recall': 0.125, 'f1': 0.16216216216216217, 'number': 24}	{'precision': 0.5166666666666667, 'recall': 0.5740740740740741, 'f1': 0.543859649122807, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5789473684210527, 'recall': 0.5641025641025641, 'f1': 0.5714285714285715, 'number': 78}	0.4462	0.4028	0.4234	0.52
0.4593	6.0	600	1.9964	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.16666666666666666, 'recall': 0.20833333333333334, 'f1': 0.1851851851851852, 'number': 24}	{'precision': 0.7547169811320755, 'recall': 0.7407407407407407, 'f1': 0.7476635514018692, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5641025641025641, 'recall': 0.5641025641025641, 'f1': 0.5641025641025641, 'number': 78}	0.5441	0.5139	0.5286	0.6467
0.4241	8.0	800	1.6445	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.23529411764705882, 'recall': 0.16666666666666666, 'f1': 0.19512195121951217, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.7407407407407407, 'f1': 0.7017543859649122, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.6410256410256411, 'recall': 0.6410256410256411, 'f1': 0.6410256410256411, 'number': 78}	0.515	0.4769	0.4952	0.56
0.3912	10.0	1000	1.9949	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.2727272727272727, 'recall': 0.125, 'f1': 0.17142857142857143, 'number': 24}	{'precision': 0.5892857142857143, 'recall': 0.6111111111111112, 'f1': 0.6, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.6190476190476191, 'recall': 0.6666666666666666, 'f1': 0.6419753086419754, 'number': 78}	0.5612	0.5093	0.5340	0.6733
0.404	12.0	1200	1.8376	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.25, 'recall': 0.16666666666666666, 'f1': 0.2, 'number': 24}	{'precision': 0.7592592592592593, 'recall': 0.7592592592592593, 'f1': 0.7592592592592593, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.6304347826086957, 'recall': 0.7435897435897436, 'f1': 0.6823529411764706, 'number': 78}	0.5411	0.5185	0.5296	0.5733
0.3941	14.0	1400	2.1137	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.2727272727272727, 'recall': 0.125, 'f1': 0.17142857142857143, 'number': 24}	{'precision': 0.6226415094339622, 'recall': 0.6111111111111112, 'f1': 0.616822429906542, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.625, 'recall': 0.7051282051282052, 'f1': 0.6626506024096386, 'number': 78}	0.5102	0.4630	0.4854	0.56
0.3963	16.0	1600	1.9659	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.375, 'recall': 0.125, 'f1': 0.1875, 'number': 24}	{'precision': 0.6909090909090909, 'recall': 0.7037037037037037, 'f1': 0.6972477064220184, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.638095238095238, 'recall': 0.8589743589743589, 'f1': 0.7322404371584699, 'number': 78}	0.5571	0.5417	0.5493	0.5967
0.3929	18.0	1800	2.5380	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.25, 'recall': 0.125, 'f1': 0.16666666666666666, 'number': 24}	{'precision': 0.5254237288135594, 'recall': 0.5740740740740741, 'f1': 0.5486725663716815, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5833333333333334, 'recall': 0.5384615384615384, 'f1': 0.5599999999999999, 'number': 78}	0.4474	0.3935	0.4187	0.5233
0.3895	20.0	2000	2.2060	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}	{'precision': 0.7142857142857143, 'recall': 0.7407407407407407, 'f1': 0.7272727272727273, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5894736842105263, 'recall': 0.717948717948718, 'f1': 0.6473988439306358, 'number': 78}	0.5708	0.5602	0.5654	0.67
0.3783	22.0	2200	2.2297	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}	{'precision': 0.7142857142857143, 'recall': 0.7407407407407407, 'f1': 0.7272727272727273, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5851063829787234, 'recall': 0.7051282051282052, 'f1': 0.6395348837209303, 'number': 78}	0.5047	0.4954	0.5	0.5467
0.3833	24.0	2400	2.1240	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}	{'precision': 0.7962962962962963, 'recall': 0.7962962962962963, 'f1': 0.7962962962962963, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5858585858585859, 'recall': 0.7435897435897436, 'f1': 0.655367231638418, 'number': 78}	0.5860	0.5833	0.5847	0.6767

Framework versions

Transformers 4.28.1
Pytorch 2.0.0+cu117
Datasets 2.11.0
Tokenizers 0.13.3

Task: Token Classification
Library: transformers
Type: lilt
License: mit
Created: Apr 21, 2023
Updated: Apr 21, 2023