detr-resnet-50_finetuned_cppe5-premier

from transformers import TrainingArguments

training_args = TrainingArguments( output_dir="detr-resnet-50_finetuned_cppe5-second", per_device_train_batch_size=8, num_train_epochs=30, # Mise à jour pour correspondre à num_epochs: 100 fp16=False, save_steps=200, logging_steps=50, learning_rate=1e-5, weight_decay=1e-4, save_total_limit=2, remove_unused_columns=False, push_to_hub=True, seed=42, # Ajout de seed: 42 lr_scheduler_type="linear", # Mise à jour pour correspondre à lr_scheduler_type: linear optim="adamw_torch", # Optimizer Adam avec betas et epsilon définis ci-dessous )

Pour spécifier les paramètres de l'optimiseur Adam, vous pouvez les passer lors de la création de l'optimiseur dans la fonction d'entraînement

from transformers import AdamW optimizer = AdamW(model.parameters(), lr=1e-5, betas=(0.9, 0.999), eps=1e-08)

IoU metric: bbox Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.116 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.193 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.125 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.006 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.025 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.115 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.102 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.196 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.239 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.052 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.115 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.227