rtdetr-r50-cppe5-finetune-v3

qubvel-hf/rtdetr-r50-cppe5-finetune-v3

rtdetr-r50-cppe5-finetune-v3 is a object detection model from qubvel-hf. Use it when you need objects located in an image. It is set up for transformers.

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

Downloads · 30 days

1% of all-time downloads

All-time downloads

618

Public

Parameters

42.9M

5.1 GB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors172 MB · 100%

At a glance

Task: Object Detection
Library: transformers
Model type: rt_detr
Access: Public
Created: Jun 25, 2024
Updated: Jun 25, 2024
SHA: 02f06a60

Base models

PekingU/rtdetr_r50vd_coco_o365

Model card

From the Hugging Face model README

rtdetr-r50-cppe5-finetune-v3

This model is a fine-tuned version of PekingU/rtdetr_r50vd_coco_o365 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 10.9472
Map: 0.3704
Map 50: 0.5798
Map 75: 0.3751
Map Small: 0.1898
Map Medium: 0.3794
Map Large: 0.4798
Mar 1: 0.3002
Mar 10: 0.5262
Mar 100: 0.6137
Mar Small: 0.4445
Mar Medium: 0.5564
Mar Large: 0.8118
Map Coverall: 0.4594
Mar 100 Coverall: 0.6795
Map Face Shield: 0.4864
Mar 100 Face Shield: 0.6412
Map Gloves: 0.3727
Mar 100 Gloves: 0.6322
Map Goggles: 0.1661
Mar 100 Goggles: 0.4586
Map Mask: 0.3674
Mar 100 Mask: 0.6569

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
num_epochs: 30
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 Coverall	Mar 100 Coverall	Map Face Shield	Mar 100 Face Shield	Map Gloves	Mar 100 Gloves	Map Goggles	Mar 100 Goggles	Map Mask	Mar 100 Mask
No log	1.0	107	113.2495	0.011	0.0228	0.0089	0.0002	0.0063	0.0248	0.0285	0.1032	0.1933	0.0311	0.1471	0.3682	0.053	0.5482	0.0002	0.1316	0.0001	0.0379	0.0	0.0169	0.0016	0.232
No log	2.0	214	18.6938	0.1584	0.2939	0.1442	0.0773	0.1147	0.2221	0.1645	0.3785	0.4702	0.303	0.4358	0.7243	0.4389	0.6694	0.0065	0.4266	0.0819	0.4272	0.0187	0.3585	0.2462	0.4693
No log	3.0	321	12.9839	0.226	0.3923	0.2176	0.1203	0.1804	0.4483	0.2371	0.427	0.5082	0.3272	0.4915	0.7484	0.4397	0.668	0.0681	0.4608	0.1557	0.4585	0.1696	0.4662	0.2969	0.4876
No log	4.0	428	12.4463	0.215	0.4188	0.1966	0.1012	0.1805	0.4172	0.2229	0.4095	0.4812	0.2833	0.4737	0.6995	0.3622	0.6716	0.1302	0.4975	0.1221	0.4205	0.1687	0.3754	0.2916	0.4409
83.7659	5.0	535	12.3391	0.2336	0.465	0.2029	0.1382	0.2226	0.5186	0.2355	0.4423	0.5212	0.3433	0.5183	0.7393	0.2065	0.6703	0.2304	0.5051	0.1915	0.45	0.2376	0.4785	0.3021	0.5022
83.7659	6.0	642	12.3727	0.2059	0.3923	0.1857	0.1211	0.2121	0.4664	0.2274	0.4292	0.5156	0.3612	0.504	0.7148	0.1794	0.6694	0.2126	0.5329	0.1643	0.4455	0.1688	0.42	0.3042	0.5102
83.7659	7.0	749	12.7240	0.2058	0.41	0.1759	0.1217	0.2158	0.4525	0.2295	0.4086	0.4943	0.3464	0.4782	0.7071	0.2036	0.6077	0.2208	0.5013	0.1332	0.4201	0.2176	0.4323	0.2539	0.5102
83.7659	8.0	856	13.0090	0.2015	0.3831	0.1849	0.1056	0.2061	0.4551	0.2227	0.4194	0.5332	0.3719	0.5245	0.7451	0.2041	0.6482	0.1889	0.5747	0.1627	0.4692	0.1792	0.4462	0.2727	0.5276
83.7659	9.0	963	12.9929	0.2136	0.4059	0.1897	0.1307	0.1946	0.4823	0.2372	0.4132	0.5178	0.3559	0.5187	0.7195	0.2503	0.6248	0.22	0.5177	0.2002	0.4799	0.1888	0.46	0.2088	0.5067
12.788	10.0	1070	13.2438	0.1824	0.3375	0.1626	0.1	0.1911	0.4538	0.2061	0.3935	0.5026	0.3561	0.5017	0.6963	0.176	0.5644	0.1629	0.5228	0.1649	0.4741	0.1767	0.4769	0.2312	0.4747
12.788	11.0	1177	13.0890	0.2074	0.3885	0.1917	0.0937	0.1761	0.4555	0.2372	0.4106	0.508	0.3414	0.4956	0.7394	0.353	0.6599	0.182	0.4924	0.1565	0.4924	0.1524	0.4092	0.1931	0.4862
12.788	12.0	1284	12.2541	0.2428	0.44	0.2248	0.1213	0.202	0.5041	0.2484	0.4125	0.4938	0.3264	0.4726	0.7146	0.4213	0.6428	0.2319	0.4861	0.1937	0.4844	0.1301	0.32	0.2371	0.536
12.788	13.0	1391	13.4175	0.1572	0.2948	0.1408	0.0731	0.1404	0.4109	0.208	0.3659	0.4667	0.3022	0.4576	0.6952	0.2418	0.6063	0.1828	0.4835	0.1402	0.4826	0.0575	0.2754	0.1637	0.4858
12.788	14.0	1498	13.0720	0.2018	0.371	0.1912	0.0984	0.1543	0.4649	0.2229	0.3936	0.4802	0.2958	0.4639	0.715	0.3978	0.6392	0.2001	0.4734	0.1828	0.4884	0.077	0.3015	0.1512	0.4987
10.7992	15.0	1605	13.1509	0.2093	0.3882	0.1946	0.1149	0.1733	0.4644	0.2398	0.4148	0.4899	0.3288	0.4689	0.696	0.3568	0.6099	0.2329	0.5025	0.1722	0.4902	0.1078	0.3415	0.1767	0.5053
10.7992	16.0	1712	13.5416	0.1865	0.3502	0.1691	0.0943	0.1519	0.4479	0.2219	0.3868	0.4732	0.3295	0.4422	0.6977	0.3045	0.5698	0.2009	0.4949	0.1642	0.4728	0.0954	0.3554	0.1676	0.4729
10.7992	17.0	1819	13.8027	0.1419	0.2558	0.134	0.0598	0.1091	0.3792	0.2014	0.3602	0.4583	0.2925	0.4245	0.6809	0.2747	0.6063	0.1398	0.4709	0.1221	0.4504	0.0503	0.2877	0.1223	0.476
10.7992	18.0	1926	13.1241	0.205	0.389	0.1896	0.1006	0.1856	0.4619	0.2273	0.3813	0.4531	0.2848	0.4267	0.6944	0.3898	0.5995	0.2296	0.4848	0.1864	0.442	0.0754	0.2892	0.1436	0.4498
9.7939	19.0	2033	13.4709	0.2089	0.3828	0.1894	0.1018	0.1797	0.4627	0.2357	0.4	0.4783	0.3083	0.4537	0.6973	0.4201	0.6414	0.2105	0.5101	0.1717	0.4598	0.115	0.3215	0.1273	0.4587
9.7939	20.0	2140	13.6381	0.1755	0.3379	0.1459	0.0909	0.1501	0.4149	0.2176	0.3734	0.441	0.2658	0.4223	0.6946	0.3267	0.5896	0.1912	0.4861	0.1899	0.4446	0.0553	0.24	0.1146	0.4449
9.7939	21.0	2247	13.6187	0.1785	0.3454	0.159	0.0906	0.158	0.41	0.2274	0.3754	0.4539	0.2919	0.4327	0.6825	0.322	0.582	0.1915	0.4861	0.1896	0.4558	0.0585	0.2877	0.1307	0.4578
9.7939	22.0	2354	13.6789	0.1736	0.3213	0.1547	0.0804	0.1572	0.3997	0.2114	0.3971	0.4766	0.3206	0.4618	0.7021	0.3437	0.5995	0.2031	0.5215	0.1468	0.4647	0.0694	0.3477	0.1053	0.4493
9.7939	23.0	2461	13.5973	0.1853	0.3484	0.163	0.0873	0.1661	0.4546	0.2201	0.3794	0.4493	0.2877	0.4317	0.6857	0.3301	0.5847	0.2031	0.4937	0.1784	0.4317	0.0745	0.2938	0.1405	0.4427
9.0938	24.0	2568	13.2147	0.2232	0.4117	0.2114	0.1183	0.1953	0.4989	0.2347	0.3911	0.4575	0.3023	0.4273	0.6881	0.3994	0.6032	0.204	0.4734	0.2114	0.4621	0.1332	0.3062	0.1683	0.4427
9.0938	25.0	2675	13.4741	0.183	0.3428	0.1701	0.0874	0.1512	0.4309	0.2035	0.3643	0.4371	0.2686	0.4134	0.6784	0.3489	0.5842	0.1923	0.4443	0.1939	0.4469	0.0618	0.2938	0.1183	0.4164
9.0938	26.0	2782	13.6609	0.1955	0.3825	0.1691	0.1002	0.1798	0.4468	0.2164	0.3665	0.4337	0.2749	0.4048	0.6729	0.3661	0.5761	0.2018	0.4392	0.1914	0.4393	0.098	0.2954	0.1204	0.4187
9.0938	27.0	2889	13.5787	0.2059	0.384	0.1917	0.1021	0.1888	0.4571	0.224	0.3871	0.4541	0.2992	0.4273	0.6842	0.3905	0.5806	0.2016	0.4835	0.1938	0.45	0.1011	0.3092	0.1423	0.4471
9.0938	28.0	2996	13.2892	0.2043	0.3784	0.192	0.099	0.1847	0.4577	0.2276	0.386	0.456	0.3049	0.4245	0.6931	0.3972	0.5991	0.1786	0.4797	0.2112	0.4567	0.0698	0.2938	0.1646	0.4507
8.5991	29.0	3103	13.5481	0.2103	0.3954	0.197	0.11	0.1973	0.4571	0.225	0.3865	0.4592	0.3234	0.4292	0.6822	0.3794	0.5748	0.202	0.4823	0.2086	0.4616	0.1024	0.3185	0.1591	0.4591
8.5991	30.0	3210	13.5758	0.2024	0.3781	0.186	0.1041	0.1897	0.4491	0.2214	0.3882	0.46	0.3184	0.4341	0.6808	0.3815	0.5779	0.1844	0.4734	0.2072	0.458	0.0877	0.3323	0.1511	0.4582

Framework versions

Transformers 4.42.0.dev0
Pytorch 2.1.0+cu118
Datasets 2.19.1
Tokenizers 0.19.1

Task: Object Detection
Library: transformers
Type: rt_detr
Created: Jun 25, 2024
Updated: Jun 25, 2024