Modelpublic

woodBorjo/finetune-instance-segmentation-ade20k-mini-mask2former

sourceHugging Faceotherupdated 11mo agoView on Hugging Face

0likes11downloads

Model Card

finetune-instance-segmentation-ade20k-mini-mask2former

This model is a fine-tuned version of facebook/mask2former-swin-tiny-coco-instance on the qubvel-hf/ade20k-mini dataset. It achieves the following results on the evaluation set:

—Loss: 28.6625
—Map: 0.2266
—Map 50: 0.4359
—Map 75: 0.2107
—Map Small: 0.1469
—Map Medium: 0.6658
—Map Large: 0.8156
—Mar 1: 0.0959
—Mar 10: 0.2562
—Mar 100: 0.2914
—Mar Small: 0.2182
—Mar Medium: 0.7126
—Mar Large: 0.8476
—Map Person: 0.159
—Mar 100 Person: 0.2146
—Map Car: 0.2941
—Mar 100 Car: 0.3683

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
—trainbatchsize: 8
—evalbatchsize: 8
—seed: 42
—gradientaccumulationsteps: 2
—totaltrainbatch_size: 16
—optimizer: Use OptimizerNames.ADAMWTORCHFUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
—lrschedulertype: constant
—num_epochs: 40.0
—mixedprecisiontraining: 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 Person	Mar 100 Person	Map Car	Mar 100 Car
34.5369	1.0	100	32.5221	0.1698	0.3433	0.1514	0.108	0.5888	0.7927	0.0881	0.2369	0.2807	0.2063	0.7072	0.8625	0.1244	0.1982	0.2151	0.3632
28.4476	2.0	200	30.4610	0.1927	0.3894	0.1741	0.1265	0.6125	0.8154	0.0938	0.2451	0.2845	0.2107	0.7076	0.8594	0.134	0.2015	0.2513	0.3675
26.9079	3.0	300	29.2391	0.2024	0.4059	0.1874	0.1358	0.6313	0.8212	0.0942	0.2521	0.2891	0.2155	0.712	0.8594	0.1377	0.2055	0.2671	0.3728
25.9174	4.0	400	28.7160	0.2108	0.4157	0.1969	0.1403	0.6379	0.8089	0.0957	0.2524	0.2873	0.2141	0.7104	0.8316	0.1447	0.207	0.277	0.3677
25.3421	5.0	500	28.3916	0.2147	0.4224	0.2003	0.1421	0.6461	0.8321	0.0961	0.2527	0.2918	0.2185	0.7119	0.8649	0.1483	0.2093	0.2811	0.3743
24.7176	6.0	600	28.2911	0.2185	0.4226	0.2064	0.1431	0.6528	0.8301	0.0971	0.2572	0.293	0.2197	0.7138	0.8562	0.1499	0.2118	0.2871	0.3741
24.13	7.0	700	27.7788	0.22	0.4299	0.207	0.1451	0.649	0.799	0.0972	0.2588	0.2933	0.221	0.7107	0.8316	0.154	0.2127	0.286	0.374
23.7107	8.0	800	27.7578	0.2176	0.4247	0.2027	0.1423	0.654	0.8346	0.0953	0.2553	0.2935	0.2199	0.7163	0.8649	0.1522	0.2119	0.2831	0.3752
23.4264	9.0	900	27.4461	0.2208	0.4289	0.2114	0.143	0.6539	0.83	0.0961	0.2545	0.2953	0.222	0.7154	0.8649	0.153	0.2116	0.2886	0.3789
23.2262	10.0	1000	27.7515	0.2238	0.4362	0.2112	0.1468	0.6532	0.8306	0.0956	0.2567	0.2944	0.2213	0.7136	0.8618	0.1541	0.2101	0.2936	0.3786
22.8743	11.0	1100	27.9457	0.226	0.442	0.2148	0.1495	0.6519	0.8096	0.0967	0.2555	0.2931	0.221	0.7086	0.8365	0.1555	0.2122	0.2964	0.3741
22.4995	12.0	1200	27.7485	0.2261	0.4364	0.217	0.1478	0.6582	0.8332	0.0973	0.256	0.2959	0.2233	0.7128	0.8594	0.1575	0.2137	0.2947	0.378
22.4303	13.0	1300	27.8137	0.2233	0.4266	0.2162	0.1459	0.6551	0.8331	0.0971	0.2538	0.2903	0.2166	0.7131	0.8587	0.1552	0.2112	0.2914	0.3693
22.1673	14.0	1400	27.4536	0.2253	0.4356	0.2176	0.1479	0.6554	0.8283	0.0984	0.2547	0.2931	0.2203	0.7116	0.8531	0.1564	0.2148	0.2943	0.3714
21.8272	15.0	1500	27.3626	0.2254	0.4398	0.2153	0.1475	0.6579	0.7987	0.0977	0.2532	0.2922	0.2201	0.7092	0.8229	0.1572	0.2118	0.2937	0.3726
21.6443	16.0	1600	27.1325	0.2286	0.4452	0.217	0.1502	0.6586	0.8147	0.0988	0.2578	0.2961	0.2235	0.714	0.8438	0.1563	0.2146	0.301	0.3776
21.5326	17.0	1700	27.5965	0.2275	0.44	0.2192	0.1482	0.6594	0.8221	0.0986	0.2584	0.2954	0.2227	0.7134	0.8531	0.1584	0.2144	0.2966	0.3764
21.472	18.0	1800	27.7345	0.2282	0.4368	0.2146	0.15	0.6577	0.8217	0.0983	0.2559	0.2958	0.223	0.714	0.8531	0.1571	0.2135	0.2992	0.378
21.053	19.0	1900	27.4663	0.2266	0.4383	0.2143	0.148	0.6569	0.8177	0.0977	0.2548	0.2905	0.2177	0.7097	0.8413	0.1571	0.2095	0.296	0.3714
20.9179	20.0	2000	27.5020	0.226	0.441	0.2115	0.1479	0.6601	0.7901	0.0976	0.2546	0.2927	0.2203	0.7115	0.8167	0.1564	0.2135	0.2955	0.3719
20.6969	21.0	2100	27.2502	0.2296	0.4421	0.214	0.151	0.6619	0.8299	0.0992	0.257	0.2938	0.221	0.712	0.8531	0.1586	0.2139	0.3007	0.3737
20.5419	22.0	2200	27.7422	0.2307	0.4456	0.2169	0.1533	0.6568	0.8284	0.0995	0.2575	0.2946	0.2221	0.7113	0.8531	0.1581	0.2132	0.3033	0.3761
20.5334	23.0	2300	27.0527	0.2271	0.4377	0.2171	0.1482	0.663	0.8093	0.0966	0.2542	0.2904	0.2172	0.7125	0.8413	0.1559	0.2092	0.2983	0.3717
20.3248	24.0	2400	27.8191	0.2299	0.4435	0.2155	0.1518	0.6572	0.82	0.0991	0.2577	0.2957	0.2237	0.7086	0.8531	0.1571	0.2113	0.3026	0.38
20.2354	25.0	2500	27.6890	0.2283	0.4423	0.2154	0.1506	0.6592	0.8293	0.0984	0.2569	0.2964	0.2238	0.7135	0.8562	0.1565	0.2146	0.3	0.3782
20.1336	26.0	2600	28.0179	0.2282	0.4346	0.2132	0.1499	0.6648	0.813	0.0976	0.2553	0.2928	0.2191	0.7175	0.8451	0.1559	0.2139	0.3004	0.3717
19.7615	27.0	2700	27.9383	0.2287	0.4421	0.216	0.1512	0.6594	0.8105	0.0995	0.2572	0.293	0.22	0.7131	0.8444	0.1582	0.2148	0.2991	0.3711
19.7833	28.0	2800	27.5669	0.2283	0.4403	0.2146	0.1501	0.6567	0.7939	0.0976	0.2573	0.2922	0.2204	0.7079	0.8167	0.1573	0.2137	0.2993	0.3708
19.6696	29.0	2900	27.6334	0.2283	0.4357	0.2157	0.149	0.6596	0.7861	0.0977	0.2546	0.2895	0.2168	0.7108	0.8142	0.1567	0.2106	0.2998	0.3684
19.5177	30.0	3000	28.1526	0.2319	0.4429	0.2135	0.1528	0.6626	0.8203	0.0973	0.2577	0.2957	0.2228	0.7146	0.8524	0.1593	0.2135	0.3045	0.3779
19.4806	31.0	3100	27.8846	0.227	0.4398	0.2143	0.1499	0.6564	0.8211	0.0965	0.2564	0.2916	0.2186	0.712	0.8438	0.1584	0.2138	0.2957	0.3695
19.194	32.0	3200	28.0200	0.2286	0.4407	0.2161	0.1501	0.6616	0.8088	0.0971	0.256	0.2911	0.2179	0.7134	0.8326	0.1603	0.2147	0.2969	0.3675
19.2278	33.0	3300	27.3223	0.2312	0.4385	0.2168	0.1511	0.6626	0.8097	0.0979	0.2547	0.2916	0.2191	0.709	0.842	0.1604	0.212	0.302	0.3711
19.048	34.0	3400	28.1198	0.2284	0.4417	0.2148	0.1507	0.6603	0.8197	0.0981	0.2566	0.2933	0.2206	0.7114	0.85	0.158	0.2145	0.2988	0.3722
18.9002	35.0	3500	28.7206	0.2299	0.4379	0.2155	0.1524	0.6601	0.8173	0.0983	0.2597	0.294	0.2214	0.7118	0.8476	0.1601	0.2132	0.2996	0.3747
18.9445	36.0	3600	28.2101	0.2301	0.4442	0.2144	0.1506	0.6613	0.8214	0.0983	0.2577	0.2931	0.2205	0.7102	0.8507	0.1599	0.2142	0.3004	0.3719
18.7087	37.0	3700	28.8212	0.2299	0.4437	0.2113	0.15	0.6698	0.7972	0.0987	0.2574	0.2927	0.2192	0.7188	0.8236	0.1621	0.215	0.2978	0.3704
18.7487	38.0	3800	28.7313	0.2293	0.4405	0.2129	0.1489	0.6649	0.7981	0.0975	0.2576	0.2941	0.2216	0.7134	0.8253	0.1598	0.2147	0.2988	0.3735
18.594	39.0	3900	28.3669	0.2304	0.4431	0.2138	0.1522	0.6619	0.8048	0.0974	0.2592	0.2973	0.2252	0.7117	0.85	0.1612	0.2146	0.2995	0.38
18.4462	40.0	4000	28.6625	0.2266	0.4359	0.2107	0.1469	0.6658	0.8156	0.0959	0.2562	0.2914	0.2182	0.7126	0.8476	0.159	0.2146	0.2941	0.3683

Framework versions

—Transformers 4.57.1
—Pytorch 2.9.0+cu128
—Datasets 4.3.0
—Tokenizers 0.22.1