Rtdetr R50 Cppe5 Finetune

🚀 rtdetr-r50-cppe5-finetune

该模型是在未知数据集上对 PekingU/rtdetr_r50vd_coco_o365 进行微调后的版本。它在评估集上取得了以下成绩：

• 损失值（Loss）：9.7524
• 平均精度均值（Map）：0.5298
• 50% 交并比下的平均精度均值（Map 50）：0.7903
• 75% 交并比下的平均精度均值（Map 75）：0.5632
• 小目标平均精度均值（Map Small）：0.5092
• 中目标平均精度均值（Map Medium）：0.4212
• 大目标平均精度均值（Map Large）：0.6655
• 单检测框平均召回率（Mar 1）：0.4001
• 10 个检测框平均召回率（Mar 10）：0.6526
• 100 个检测框平均召回率（Mar 100）：0.711
• 小目标平均召回率（Mar Small）：0.6038
• 中目标平均召回率（Mar Medium）：0.5835
• 大目标平均召回率（Mar Large）：0.8378
• 全类别平均精度均值（Map Coverall）：0.6271
• 全类别 100 个检测框平均召回率（Mar 100 Coverall）：0.8308
• 防护面罩平均精度均值（Map Face Shield）：0.4839
• 防护面罩 100 个检测框平均召回率（Mar 100 Face Shield）：0.7706
• 手套平均精度均值（Map Gloves）：0.5775
• 手套 100 个检测框平均召回率（Mar 100 Gloves）：0.6492
• 护目镜平均精度均值（Map Goggles）：0.425
• 护目镜 100 个检测框平均召回率（Mar 100 Goggles）：0.6103
• 口罩平均精度均值（Map Mask）：0.5354
• 口罩 100 个检测框平均召回率（Mar 100 Mask）：0.6941

📚 详细文档

模型描述

该模型基于 PekingU/rtdetr_r50vd_coco_o365 进行微调，在未知数据集上进行训练。

预期用途与限制

文档未提供相关信息。

训练和评估数据

文档未提供相关信息。

训练过程

训练超参数

训练过程中使用了以下超参数：

• 学习率（learning_rate）：5e - 05
• 训练批次大小（train_batch_size）：8
• 评估批次大小（eval_batch_size）：8
• 随机种子（seed）：42
• 优化器（optimizer）：Adam，β1 = 0.9，β2 = 0.999，ε = 1e - 08
• 学习率调度器类型（lr_scheduler_type）：线性
• 学习率调度器预热步数（lr_scheduler_warmup_steps）：300
• 训练轮数（num_epochs）：10

训练结果

框架版本

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

📄 许可证

文档未提供相关信息。