detr_finetuned_kitti_mots-noaug-good-1

This model is a fine-tuned version of microsoft/conditional-detr-resnet-50 on the None dataset. It achieves the following results on the evaluation set:

• Loss: 1.3675
• Map: 0.2538
• Map 50: 0.5322
• Map 75: 0.2143
• Map Small: 0.0306
• Map Medium: 0.2748
• Map Large: 0.5189
• Mar 1: 0.1217
• Mar 10: 0.3156
• Mar 100: 0.392
• Mar Small: 0.1285
• Mar Medium: 0.4301
• Mar Large: 0.6443
• Map Pedestrian: 0.1681
• Mar 100 Pedestrian: 0.3351
• Map Ignore: -1.0
• Mar 100 Ignore: -1.0
• Map Car: 0.3395
• Mar 100 Car: 0.4489

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: 0.0001
• train_batch_size: 8
• eval_batch_size: 8
• seed: 42
• optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: cosine
• num_epochs: 30

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 Pedestrian	Mar 100 Pedestrian	Map Ignore	Mar 100 Ignore	Map Car	Mar 100 Car
1.177	1.0	625	1.4322	0.1364	0.3647	0.0647	0.0114	0.1339	0.3615	0.0821	0.2247	0.3215	0.0989	0.3222	0.607	0.0607	0.2792	-1.0	-1.0	0.212	0.3638
1.0939	2.0	1250	1.4303	0.1575	0.3775	0.1093	0.0207	0.1468	0.3678	0.0871	0.2277	0.3194	0.1119	0.34	0.5426	0.0689	0.2749	-1.0	-1.0	0.2462	0.3639
1.0674	3.0	1875	1.3514	0.1811	0.4065	0.1345	0.017	0.1875	0.4097	0.0991	0.2603	0.3511	0.1063	0.3717	0.62	0.0758	0.2779	-1.0	-1.0	0.2863	0.4244
0.9822	4.0	2500	1.3675	0.1708	0.4027	0.1232	0.0166	0.1821	0.3745	0.0962	0.2523	0.346	0.1167	0.3623	0.6005	0.0775	0.2844	-1.0	-1.0	0.2642	0.4077
0.9495	5.0	3125	1.4739	0.1647	0.397	0.0956	0.0217	0.1599	0.4014	0.0921	0.2457	0.3271	0.0961	0.3422	0.5966	0.0769	0.2502	-1.0	-1.0	0.2525	0.4041
0.9387	6.0	3750	1.3182	0.194	0.4233	0.1596	0.0171	0.213	0.3984	0.1086	0.2704	0.3659	0.1105	0.4008	0.6124	0.0902	0.3083	-1.0	-1.0	0.2979	0.4235
0.9332	7.0	4375	1.3399	0.2021	0.4429	0.1508	0.0154	0.2055	0.4387	0.1071	0.2667	0.3501	0.111	0.3784	0.5978	0.1076	0.2919	-1.0	-1.0	0.2966	0.4083
0.8834	8.0	5000	1.3403	0.21	0.4456	0.1741	0.0216	0.2185	0.4446	0.1094	0.2836	0.3747	0.117	0.4075	0.6311	0.1102	0.3106	-1.0	-1.0	0.3099	0.4388
0.8489	9.0	5625	1.3444	0.2083	0.4493	0.1755	0.0208	0.2189	0.4433	0.1068	0.2774	0.3699	0.1262	0.3958	0.6256	0.1028	0.2967	-1.0	-1.0	0.3139	0.4432
0.8368	10.0	6250	1.3675	0.2077	0.4556	0.165	0.0195	0.2149	0.4571	0.1063	0.2752	0.365	0.1145	0.3974	0.6167	0.1121	0.3125	-1.0	-1.0	0.3032	0.4175
0.8254	11.0	6875	1.3734	0.2043	0.4469	0.166	0.0163	0.2085	0.4471	0.1063	0.2736	0.3587	0.1119	0.3831	0.6211	0.12	0.3111	-1.0	-1.0	0.2887	0.4063
0.7777	12.0	7500	1.3421	0.2221	0.4765	0.1863	0.0251	0.2372	0.4422	0.112	0.2868	0.3661	0.114	0.4123	0.5855	0.1198	0.3029	-1.0	-1.0	0.3243	0.4294
0.7543	13.0	8125	1.3643	0.2068	0.4643	0.1552	0.0208	0.2189	0.4503	0.1048	0.277	0.364	0.1266	0.3929	0.6074	0.1117	0.2962	-1.0	-1.0	0.3019	0.4319
0.7411	14.0	8750	1.3261	0.2298	0.4905	0.1943	0.0264	0.2453	0.4729	0.1139	0.296	0.3803	0.1241	0.4168	0.6243	0.1263	0.3121	-1.0	-1.0	0.3332	0.4484
0.7089	15.0	9375	1.3016	0.2356	0.5073	0.1925	0.0311	0.2456	0.493	0.1143	0.3011	0.3897	0.134	0.4233	0.6404	0.1475	0.3352	-1.0	-1.0	0.3238	0.4441
0.6699	16.0	10000	1.3116	0.2401	0.4956	0.209	0.0259	0.2596	0.4876	0.1183	0.2998	0.3889	0.1338	0.4264	0.6333	0.1394	0.3276	-1.0	-1.0	0.3408	0.4502
0.6488	17.0	10625	1.3128	0.2485	0.5142	0.2173	0.0327	0.2681	0.5097	0.1204	0.3139	0.4007	0.1249	0.4425	0.6549	0.1575	0.3454	-1.0	-1.0	0.3395	0.4559
0.6409	18.0	11250	1.3760	0.2218	0.4971	0.1709	0.0263	0.2363	0.4789	0.1099	0.2864	0.3592	0.1296	0.389	0.5936	0.1266	0.288	-1.0	-1.0	0.317	0.4305
0.6173	19.0	11875	1.3561	0.2387	0.518	0.1908	0.0276	0.2562	0.5002	0.1158	0.3049	0.383	0.1177	0.4209	0.6384	0.1521	0.3233	-1.0	-1.0	0.3253	0.4427
0.5787	20.0	12500	1.3105	0.2557	0.5258	0.2245	0.0292	0.2747	0.5163	0.1207	0.3192	0.4005	0.1284	0.44	0.6581	0.1664	0.3476	-1.0	-1.0	0.345	0.4534
0.5574	21.0	13125	1.3450	0.2512	0.5275	0.2095	0.0285	0.2725	0.5134	0.121	0.3122	0.3899	0.1277	0.4264	0.6434	0.1636	0.328	-1.0	-1.0	0.3389	0.4518
0.5452	22.0	13750	1.3460	0.2546	0.527	0.2155	0.0313	0.273	0.5167	0.1231	0.3163	0.3955	0.1306	0.4367	0.6411	0.1621	0.335	-1.0	-1.0	0.3471	0.456
0.5285	23.0	14375	1.3530	0.2474	0.5259	0.1986	0.0303	0.2657	0.5171	0.119	0.3111	0.39	0.1297	0.4273	0.6407	0.166	0.3381	-1.0	-1.0	0.3289	0.442
0.5034	24.0	15000	1.3436	0.2531	0.5296	0.2141	0.0334	0.2758	0.5099	0.1214	0.3166	0.395	0.1308	0.4372	0.6379	0.1635	0.3396	-1.0	-1.0	0.3428	0.4504
0.4929	25.0	15625	1.3706	0.251	0.5315	0.2048	0.029	0.2698	0.5149	0.1206	0.3141	0.3897	0.1255	0.4274	0.6432	0.1679	0.3355	-1.0	-1.0	0.3341	0.4439
0.479	26.0	16250	1.3653	0.2509	0.5301	0.2096	0.0316	0.272	0.5133	0.1205	0.3142	0.3897	0.1268	0.4294	0.6379	0.1653	0.3321	-1.0	-1.0	0.3365	0.4473
0.4751	27.0	16875	1.3693	0.2527	0.5319	0.2119	0.0323	0.274	0.5166	0.1216	0.315	0.3908	0.1289	0.4289	0.6412	0.1657	0.3324	-1.0	-1.0	0.3396	0.4491
0.4595	28.0	17500	1.3686	0.2547	0.5322	0.2184	0.0315	0.2762	0.5183	0.1221	0.316	0.3923	0.1285	0.4312	0.6429	0.168	0.3338	-1.0	-1.0	0.3413	0.4507
0.4589	29.0	18125	1.3683	0.2541	0.5323	0.2133	0.0305	0.2745	0.519	0.1218	0.3155	0.3918	0.1283	0.4297	0.6447	0.1683	0.3353	-1.0	-1.0	0.3399	0.4483
0.4555	30.0	18750	1.3675	0.2538	0.5322	0.2143	0.0306	0.2748	0.5189	0.1217	0.3156	0.392	0.1285	0.4301	0.6443	0.1681	0.3351	-1.0	-1.0	0.3395	0.4489

Framework versions

• Transformers 4.49.0
• Pytorch 2.5.1+cu121
• Datasets 3.3.2
• Tokenizers 0.21.0