File size: 34,431 Bytes
f127ed6 1afe72a f127ed6 1afe72a f127ed6 1afe72a f127ed6 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 |
---
library_name: transformers
license: other
base_model: nvidia/segformer-b1-finetuned-cityscapes-1024-1024
tags:
- vision
- image-segmentation
- generated_from_trainer
model-index:
- name: SegFormer_b3
results: []
---
<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->
# SegFormer_b3
This model is a fine-tuned version of [nvidia/segformer-b1-finetuned-cityscapes-1024-1024](https://huggingface.co/nvidia/segformer-b1-finetuned-cityscapes-1024-1024) on the Cityscapes dataset.
It achieves the following results on the evaluation set:
- Loss: 0.2005
- Mean Iou: 0.3978
- Mean Accuracy: 0.4656
- Overall Accuracy: 0.8945
- Accuracy Unlabeled: nan
- Accuracy Ego vehicle: nan
- Accuracy Rectification border: nan
- Accuracy Out of roi: nan
- Accuracy Static: nan
- Accuracy Dynamic: nan
- Accuracy Ground: nan
- Accuracy Road: 0.9799
- Accuracy Sidewalk: 0.8107
- Accuracy Parking: nan
- Accuracy Rail track: nan
- Accuracy Building: 0.9339
- Accuracy Wall: 0.0010
- Accuracy Fence: 0.2453
- Accuracy Guard rail: nan
- Accuracy Bridge: nan
- Accuracy Tunnel: nan
- Accuracy Pole: 0.4987
- Accuracy Polegroup: nan
- Accuracy Traffic light: 0.5398
- Accuracy Traffic sign: 0.5906
- Accuracy Vegetation: 0.9314
- Accuracy Terrain: 0.5339
- Accuracy Sky: nan
- Accuracy Person: 0.7090
- Accuracy Rider: 0.0
- Accuracy Car: 0.9405
- Accuracy Truck: 0.0
- Accuracy Bus: 0.0
- Accuracy Caravan: nan
- Accuracy Trailer: nan
- Accuracy Train: 0.0
- Accuracy Motorcycle: 0.0
- Accuracy Bicycle: 0.6671
- Accuracy License plate: nan
- Iou Unlabeled: nan
- Iou Ego vehicle: nan
- Iou Rectification border: nan
- Iou Out of roi: nan
- Iou Static: nan
- Iou Dynamic: nan
- Iou Ground: nan
- Iou Road: 0.9529
- Iou Sidewalk: 0.6897
- Iou Parking: nan
- Iou Rail track: nan
- Iou Building: 0.7837
- Iou Wall: 0.0010
- Iou Fence: 0.2191
- Iou Guard rail: nan
- Iou Bridge: nan
- Iou Tunnel: nan
- Iou Pole: 0.3783
- Iou Polegroup: nan
- Iou Traffic light: 0.4123
- Iou Traffic sign: 0.5102
- Iou Vegetation: 0.8518
- Iou Terrain: 0.4632
- Iou Sky: nan
- Iou Person: 0.5619
- Iou Rider: 0.0
- Iou Car: 0.8270
- Iou Truck: 0.0
- Iou Bus: 0.0
- Iou Caravan: nan
- Iou Trailer: nan
- Iou Train: 0.0
- Iou Motorcycle: 0.0
- Iou Bicycle: 0.5085
- Iou License plate: 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: 0.0006
- train_batch_size: 2
- eval_batch_size: 2
- seed: 42
- gradient_accumulation_steps: 4
- total_train_batch_size: 8
- 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
- lr_scheduler_warmup_steps: 500
- num_epochs: 30
- mixed_precision_training: Native AMP
### Training results
| Training Loss | Epoch | Step | Validation Loss | Mean Iou | Mean Accuracy | Overall Accuracy | Accuracy Unlabeled | Accuracy Ego vehicle | Accuracy Rectification border | Accuracy Out of roi | Accuracy Static | Accuracy Dynamic | Accuracy Ground | Accuracy Road | Accuracy Sidewalk | Accuracy Parking | Accuracy Rail track | Accuracy Building | Accuracy Wall | Accuracy Fence | Accuracy Guard rail | Accuracy Bridge | Accuracy Tunnel | Accuracy Pole | Accuracy Polegroup | Accuracy Traffic light | Accuracy Traffic sign | Accuracy Vegetation | Accuracy Terrain | Accuracy Sky | Accuracy Person | Accuracy Rider | Accuracy Car | Accuracy Truck | Accuracy Bus | Accuracy Caravan | Accuracy Trailer | Accuracy Train | Accuracy Motorcycle | Accuracy Bicycle | Accuracy License plate | Iou Unlabeled | Iou Ego vehicle | Iou Rectification border | Iou Out of roi | Iou Static | Iou Dynamic | Iou Ground | Iou Road | Iou Sidewalk | Iou Parking | Iou Rail track | Iou Building | Iou Wall | Iou Fence | Iou Guard rail | Iou Bridge | Iou Tunnel | Iou Pole | Iou Polegroup | Iou Traffic light | Iou Traffic sign | Iou Vegetation | Iou Terrain | Iou Sky | Iou Person | Iou Rider | Iou Car | Iou Truck | Iou Bus | Iou Caravan | Iou Trailer | Iou Train | Iou Motorcycle | Iou Bicycle | Iou License plate |
|:-------------:|:-------:|:----:|:---------------:|:--------:|:-------------:|:----------------:|:------------------:|:--------------------:|:-----------------------------:|:-------------------:|:---------------:|:----------------:|:---------------:|:-------------:|:-----------------:|:----------------:|:-------------------:|:-----------------:|:-------------:|:--------------:|:-------------------:|:---------------:|:---------------:|:-------------:|:------------------:|:----------------------:|:---------------------:|:-------------------:|:----------------:|:------------:|:---------------:|:--------------:|:------------:|:--------------:|:------------:|:----------------:|:----------------:|:--------------:|:-------------------:|:----------------:|:----------------------:|:-------------:|:---------------:|:------------------------:|:--------------:|:----------:|:-----------:|:----------:|:--------:|:------------:|:-----------:|:--------------:|:------------:|:--------:|:---------:|:--------------:|:----------:|:----------:|:--------:|:-------------:|:-----------------:|:----------------:|:--------------:|:-----------:|:-------:|:----------:|:---------:|:-------:|:---------:|:-------:|:-----------:|:-----------:|:---------:|:--------------:|:-----------:|:-----------------:|
| 3.6819 | 1.3333 | 100 | 0.9097 | 0.1916 | 0.2569 | 0.8080 | nan | nan | nan | nan | nan | nan | nan | 0.8821 | 0.9677 | nan | nan | 0.8524 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | 0.0 | 0.0 | 0.9497 | 0.0136 | nan | 0.0 | 0.0 | 0.9592 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.8746 | 0.4414 | nan | nan | 0.7096 | 0.0 | 0.0 | nan | nan | nan | 0.0 | nan | 0.0 | 0.0 | 0.7285 | 0.0136 | nan | 0.0 | 0.0 | 0.6806 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.0 | nan |
| 3.5168 | 2.6667 | 200 | 0.8720 | 0.2888 | 0.3680 | 0.8630 | nan | nan | nan | nan | nan | nan | nan | 0.9708 | 0.8932 | nan | nan | 0.8868 | 0.0 | 0.0 | nan | nan | nan | 0.1774 | nan | 0.0 | 0.5643 | 0.9552 | 0.6478 | nan | 0.0595 | 0.0 | 0.9307 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.5380 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9471 | 0.6558 | nan | nan | 0.7944 | 0.0 | 0.0 | nan | nan | nan | 0.0831 | nan | 0.0 | 0.3769 | 0.7971 | 0.3345 | nan | 0.0592 | 0.0 | 0.7911 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.3599 | nan |
| 3.3612 | 4.0 | 300 | 0.8334 | 0.3763 | 0.4903 | 0.8702 | nan | nan | nan | nan | nan | nan | nan | 0.9601 | 0.8312 | nan | nan | 0.8265 | 0.1725 | 0.5157 | nan | nan | nan | 0.6467 | nan | 0.5563 | 0.6298 | 0.9128 | 0.4616 | nan | 0.8358 | 0.0 | 0.9139 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.5616 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9478 | 0.6524 | nan | nan | 0.7465 | 0.1284 | 0.2961 | nan | nan | nan | 0.2945 | nan | 0.2809 | 0.4369 | 0.8234 | 0.3469 | nan | 0.5131 | 0.0 | 0.8322 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.4733 | nan |
| 3.2937 | 5.3333 | 400 | 0.8253 | 0.3850 | 0.4920 | 0.8821 | nan | nan | nan | nan | nan | nan | nan | 0.9746 | 0.7559 | nan | nan | 0.9173 | 0.2725 | 0.4995 | nan | nan | nan | 0.4240 | nan | 0.5192 | 0.5974 | 0.8877 | 0.4622 | nan | 0.6364 | 0.2025 | 0.9565 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.7504 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9401 | 0.6195 | nan | nan | 0.8095 | 0.2138 | 0.2816 | nan | nan | nan | 0.3319 | nan | 0.3291 | 0.4741 | 0.8330 | 0.3227 | nan | 0.5108 | 0.0834 | 0.7902 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.3900 | nan |
| 3.431 | 6.6667 | 500 | 0.8247 | 0.3945 | 0.5105 | 0.8820 | nan | nan | nan | nan | nan | nan | nan | 0.9640 | 0.7894 | nan | nan | 0.8835 | 0.4637 | 0.5429 | nan | nan | nan | 0.4049 | nan | 0.4102 | 0.5474 | 0.9152 | 0.6722 | nan | 0.8082 | 0.1119 | 0.9502 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0001 | 0.7252 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9509 | 0.6575 | nan | nan | 0.8100 | 0.2296 | 0.2290 | nan | nan | nan | 0.3135 | nan | 0.3120 | 0.4647 | 0.8335 | 0.4121 | nan | 0.5200 | 0.0838 | 0.7982 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0001 | 0.4857 | nan |
| 3.3843 | 8.0 | 600 | 0.8209 | 0.4022 | 0.5317 | 0.8772 | nan | nan | nan | nan | nan | nan | nan | 0.9641 | 0.8445 | nan | nan | 0.8527 | 0.5229 | 0.3995 | nan | nan | nan | 0.5189 | nan | 0.5287 | 0.6258 | 0.9159 | 0.5684 | nan | 0.7938 | 0.2234 | 0.8978 | 0.0 | 0.0 | nan | nan | 0.0 | 0.1760 | 0.7375 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9459 | 0.6402 | nan | nan | 0.7783 | 0.2110 | 0.2458 | nan | nan | nan | 0.3486 | nan | 0.3414 | 0.3898 | 0.8342 | 0.3566 | nan | 0.5556 | 0.1658 | 0.8100 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0988 | 0.5177 | nan |
| 3.3182 | 9.3333 | 700 | 0.8220 | 0.3985 | 0.5052 | 0.8785 | nan | nan | nan | nan | nan | nan | nan | 0.9733 | 0.7402 | nan | nan | 0.9542 | 0.5008 | 0.1732 | nan | nan | nan | 0.4701 | nan | 0.5893 | 0.5403 | 0.8605 | 0.5030 | nan | 0.5798 | 0.4709 | 0.9061 | 0.0 | 0.0009 | nan | nan | 0.0 | 0.1806 | 0.6511 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9451 | 0.6274 | nan | nan | 0.7736 | 0.2133 | 0.1386 | nan | nan | nan | 0.3440 | nan | 0.3535 | 0.4812 | 0.8217 | 0.3869 | nan | 0.4984 | 0.2059 | 0.8303 | 0.0 | 0.0009 | nan | nan | 0.0 | 0.1124 | 0.4407 | nan |
| 3.3125 | 10.6667 | 800 | 0.8112 | 0.4382 | 0.5617 | 0.8918 | nan | nan | nan | nan | nan | nan | nan | 0.9826 | 0.7279 | nan | nan | 0.9156 | 0.4140 | 0.3158 | nan | nan | nan | 0.4967 | nan | 0.5814 | 0.6258 | 0.9157 | 0.4678 | nan | 0.7503 | 0.2826 | 0.9170 | 0.0 | 0.7746 | nan | nan | 0.0 | 0.2892 | 0.6542 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9465 | 0.6321 | nan | nan | 0.8218 | 0.2656 | 0.2318 | nan | nan | nan | 0.3616 | nan | 0.3687 | 0.5101 | 0.8457 | 0.3502 | nan | 0.5828 | 0.1900 | 0.8452 | 0.0 | 0.2774 | nan | nan | 0.0 | 0.1888 | 0.4696 | nan |
| 3.2327 | 12.0 | 900 | 0.8133 | 0.4324 | 0.5705 | 0.8916 | nan | nan | nan | nan | nan | nan | nan | 0.9786 | 0.7767 | nan | nan | 0.9054 | 0.4437 | 0.4810 | nan | nan | nan | 0.4592 | nan | 0.5330 | 0.5706 | 0.9423 | 0.4758 | nan | 0.5410 | 0.5342 | 0.9070 | 0.0001 | 0.5615 | nan | nan | 0.0 | 0.3271 | 0.8319 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9527 | 0.6790 | nan | nan | 0.8201 | 0.2626 | 0.2969 | nan | nan | nan | 0.3529 | nan | 0.3645 | 0.5033 | 0.8486 | 0.4007 | nan | 0.4813 | 0.1780 | 0.8190 | 0.0000 | 0.2336 | nan | nan | 0.0 | 0.1436 | 0.4468 | nan |
| 3.2772 | 13.3333 | 1000 | 0.8118 | 0.4461 | 0.5848 | 0.8900 | nan | nan | nan | nan | nan | nan | nan | 0.9675 | 0.8022 | nan | nan | 0.9057 | 0.4430 | 0.3203 | nan | nan | nan | 0.5423 | nan | 0.5617 | 0.5703 | 0.9277 | 0.4807 | nan | 0.7258 | 0.3603 | 0.8927 | 0.0017 | 0.8502 | nan | nan | 0.0 | 0.4148 | 0.7587 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9486 | 0.6491 | nan | nan | 0.8153 | 0.2935 | 0.2347 | nan | nan | nan | 0.3722 | nan | 0.3910 | 0.4541 | 0.8485 | 0.3527 | nan | 0.5648 | 0.2529 | 0.8409 | 0.0015 | 0.2668 | nan | nan | 0.0 | 0.2401 | 0.5032 | nan |
| 3.2655 | 14.6667 | 1100 | 0.8134 | 0.4439 | 0.5657 | 0.8912 | nan | nan | nan | nan | nan | nan | nan | 0.9790 | 0.6983 | nan | nan | 0.9361 | 0.4543 | 0.1532 | nan | nan | nan | 0.4737 | nan | 0.4873 | 0.6551 | 0.9270 | 0.5869 | nan | 0.6551 | 0.4939 | 0.9260 | 0.0390 | 0.5783 | nan | nan | 0.0 | 0.5178 | 0.6208 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9466 | 0.6239 | nan | nan | 0.8147 | 0.3047 | 0.1252 | nan | nan | nan | 0.3603 | nan | 0.3455 | 0.5015 | 0.8533 | 0.4609 | nan | 0.5469 | 0.2600 | 0.8242 | 0.0258 | 0.2700 | nan | nan | 0.0 | 0.2401 | 0.4863 | nan |
| 3.2841 | 16.0 | 1200 | 0.8083 | 0.4463 | 0.5656 | 0.8928 | nan | nan | nan | nan | nan | nan | nan | 0.9794 | 0.7238 | nan | nan | 0.9171 | 0.2941 | 0.4156 | nan | nan | nan | 0.5504 | nan | 0.4989 | 0.5591 | 0.9202 | 0.5055 | nan | 0.7092 | 0.4410 | 0.9395 | 0.0169 | 0.5307 | nan | nan | 0.0 | 0.4149 | 0.7651 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9494 | 0.6429 | nan | nan | 0.8227 | 0.2275 | 0.2485 | nan | nan | nan | 0.3844 | nan | 0.3722 | 0.4937 | 0.8490 | 0.4041 | nan | 0.5726 | 0.2636 | 0.8250 | 0.0150 | 0.2424 | nan | nan | 0.0 | 0.2208 | 0.4995 | nan |
| 3.1519 | 17.3333 | 1300 | 0.8058 | 0.4663 | 0.5814 | 0.9007 | nan | nan | nan | nan | nan | nan | nan | 0.9814 | 0.7657 | nan | nan | 0.9227 | 0.4211 | 0.4617 | nan | nan | nan | 0.5054 | nan | 0.5578 | 0.5573 | 0.9293 | 0.5936 | nan | 0.7432 | 0.4163 | 0.9427 | 0.0927 | 0.4866 | nan | nan | 0.0 | 0.3694 | 0.7185 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9553 | 0.6833 | nan | nan | 0.8361 | 0.2555 | 0.3345 | nan | nan | nan | 0.3743 | nan | 0.3935 | 0.4795 | 0.8537 | 0.4020 | nan | 0.5869 | 0.2941 | 0.8247 | 0.0773 | 0.2855 | nan | nan | 0.0 | 0.2297 | 0.5272 | nan |
| 3.1031 | 18.6667 | 1400 | 0.8049 | 0.4777 | 0.5844 | 0.9010 | nan | nan | nan | nan | nan | nan | nan | 0.9722 | 0.8071 | nan | nan | 0.9325 | 0.6270 | 0.2349 | nan | nan | nan | 0.5282 | nan | 0.5145 | 0.5929 | 0.9352 | 0.5315 | nan | 0.7478 | 0.2931 | 0.9271 | 0.3230 | 0.5858 | nan | nan | 0.0 | 0.3171 | 0.6497 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9538 | 0.6760 | nan | nan | 0.8228 | 0.3377 | 0.1927 | nan | nan | nan | 0.3939 | nan | 0.3957 | 0.5162 | 0.8635 | 0.4307 | nan | 0.5945 | 0.2419 | 0.8541 | 0.2123 | 0.3833 | nan | nan | 0.0 | 0.2205 | 0.5101 | nan |
| 3.3333 | 20.0 | 1500 | 0.8054 | 0.4811 | 0.6115 | 0.8993 | nan | nan | nan | nan | nan | nan | nan | 0.9740 | 0.7904 | nan | nan | 0.9272 | 0.5676 | 0.2824 | nan | nan | nan | 0.5457 | nan | 0.6234 | 0.6561 | 0.9349 | 0.5165 | nan | 0.6369 | 0.5465 | 0.9158 | 0.3922 | 0.6308 | nan | nan | 0.0 | 0.3288 | 0.7371 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9563 | 0.6802 | nan | nan | 0.8143 | 0.3653 | 0.2124 | nan | nan | nan | 0.3904 | nan | 0.4002 | 0.5414 | 0.8629 | 0.4470 | nan | 0.5301 | 0.2112 | 0.8527 | 0.2724 | 0.3989 | nan | nan | 0.0 | 0.2117 | 0.5119 | nan |
| 3.2362 | 21.3333 | 1600 | 0.7991 | 0.5111 | 0.6532 | 0.9070 | nan | nan | nan | nan | nan | nan | nan | 0.9774 | 0.8026 | nan | nan | 0.9248 | 0.5749 | 0.3866 | nan | nan | nan | 0.5371 | nan | 0.5863 | 0.6434 | 0.9322 | 0.6463 | nan | 0.7627 | 0.5056 | 0.9236 | 0.6663 | 0.8069 | nan | nan | 0.0 | 0.3910 | 0.6892 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9594 | 0.7125 | nan | nan | 0.8367 | 0.3918 | 0.3015 | nan | nan | nan | 0.3901 | nan | 0.4282 | 0.5436 | 0.8612 | 0.4851 | nan | 0.6028 | 0.2690 | 0.8571 | 0.3622 | 0.3994 | nan | nan | 0.0 | 0.2828 | 0.5153 | nan |
| 3.1479 | 22.6667 | 1700 | 0.7992 | 0.5170 | 0.6476 | 0.9075 | nan | nan | nan | nan | nan | nan | nan | 0.9795 | 0.7672 | nan | nan | 0.9306 | 0.4524 | 0.4345 | nan | nan | nan | 0.5213 | nan | 0.6093 | 0.6431 | 0.9351 | 0.6041 | nan | 0.7803 | 0.4262 | 0.9326 | 0.7119 | 0.6591 | nan | nan | 0.0 | 0.4828 | 0.7877 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9557 | 0.6830 | nan | nan | 0.8324 | 0.3471 | 0.3533 | nan | nan | nan | 0.3993 | nan | 0.4305 | 0.5529 | 0.8670 | 0.4730 | nan | 0.6137 | 0.2879 | 0.8525 | 0.3981 | 0.4231 | nan | nan | 0.0 | 0.3000 | 0.5371 | nan |
| 3.1489 | 24.0 | 1800 | 0.7998 | 0.5173 | 0.6436 | 0.9081 | nan | nan | nan | nan | nan | nan | nan | 0.9784 | 0.8081 | nan | nan | 0.9230 | 0.5567 | 0.4600 | nan | nan | nan | 0.5262 | nan | 0.5991 | 0.6540 | 0.9431 | 0.5327 | nan | 0.7243 | 0.4144 | 0.9283 | 0.6236 | 0.7156 | nan | nan | 0.0 | 0.4618 | 0.7360 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9599 | 0.7100 | nan | nan | 0.8320 | 0.4076 | 0.3320 | nan | nan | nan | 0.3948 | nan | 0.4360 | 0.5497 | 0.8660 | 0.4444 | nan | 0.5999 | 0.3002 | 0.8548 | 0.3613 | 0.3867 | nan | nan | 0.0 | 0.3235 | 0.5534 | nan |
| 3.1682 | 25.3333 | 1900 | 0.7934 | 0.5162 | 0.6289 | 0.9098 | nan | nan | nan | nan | nan | nan | nan | 0.9806 | 0.8194 | nan | nan | 0.9214 | 0.5199 | 0.4103 | nan | nan | nan | 0.5419 | nan | 0.6013 | 0.6294 | 0.9476 | 0.5769 | nan | 0.7706 | 0.4091 | 0.9344 | 0.5272 | 0.5265 | nan | nan | 0.0 | 0.4416 | 0.7617 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9611 | 0.7184 | nan | nan | 0.8347 | 0.4072 | 0.3174 | nan | nan | nan | 0.3991 | nan | 0.4310 | 0.5486 | 0.8625 | 0.4611 | nan | 0.6253 | 0.2987 | 0.8488 | 0.3765 | 0.3712 | nan | nan | 0.0 | 0.2830 | 0.5464 | nan |
| 0.78 | 26.6667 | 2000 | 0.2157 | 0.3595 | 0.4159 | 0.8783 | nan | nan | nan | nan | nan | nan | nan | 0.9785 | 0.7979 | nan | nan | 0.9516 | 0.0 | 0.0343 | nan | nan | nan | 0.4658 | nan | 0.4259 | 0.5335 | 0.8972 | 0.5503 | nan | 0.4089 | 0.0 | 0.9063 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.5356 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9412 | 0.6504 | nan | nan | 0.7485 | 0.0 | 0.0341 | nan | nan | nan | 0.3506 | nan | 0.3703 | 0.4682 | 0.8372 | 0.4311 | nan | 0.3803 | 0.0 | 0.7895 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.4696 | nan |
| 0.8695 | 28.0 | 2100 | 0.2042 | 0.3952 | 0.4621 | 0.8932 | nan | nan | nan | nan | nan | nan | nan | 0.9799 | 0.8181 | nan | nan | 0.9340 | 0.0009 | 0.3852 | nan | nan | nan | 0.4783 | nan | 0.4604 | 0.5427 | 0.9258 | 0.5914 | nan | 0.6337 | 0.0 | 0.9350 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.6333 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9504 | 0.6841 | nan | nan | 0.7884 | 0.0009 | 0.3059 | nan | nan | nan | 0.3685 | nan | 0.3815 | 0.4831 | 0.8517 | 0.4688 | nan | 0.5246 | 0.0 | 0.8075 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.4978 | nan |
| 0.6709 | 29.3333 | 2200 | 0.2005 | 0.3978 | 0.4656 | 0.8945 | nan | nan | nan | nan | nan | nan | nan | 0.9799 | 0.8107 | nan | nan | 0.9339 | 0.0010 | 0.2453 | nan | nan | nan | 0.4987 | nan | 0.5398 | 0.5906 | 0.9314 | 0.5339 | nan | 0.7090 | 0.0 | 0.9405 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.6671 | nan | nan | nan | nan | nan | nan | nan | nan | 0.9529 | 0.6897 | nan | nan | 0.7837 | 0.0010 | 0.2191 | nan | nan | nan | 0.3783 | nan | 0.4123 | 0.5102 | 0.8518 | 0.4632 | nan | 0.5619 | 0.0 | 0.8270 | 0.0 | 0.0 | nan | nan | 0.0 | 0.0 | 0.5085 | nan |
### Framework versions
- Transformers 4.47.1
- Pytorch 2.5.1+cu121
- Datasets 3.2.0
- Tokenizers 0.21.0
|