yolo_finetuned_fruits

This model is a fine-tuned version of hustvl/yolos-tiny on the None dataset. It achieves the following results on the evaluation set:

• Loss: 1.2685
• Map: 0.2896
• Map 50: 0.6734
• Map 75: 0.2043
• Map Small: -1.0
• Map Medium: 0.1549
• Map Large: 0.3044
• Mar 1: 0.0408
• Mar 10: 0.2803
• Mar 100: 0.4733
• Mar Small: -1.0
• Mar Medium: 0.2421
• Mar Large: 0.4972
• Map Grape: 0.2896
• Mar 100 Grape: 0.4733

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: 4
• eval_batch_size: 8
• seed: 42
• optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED 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 Grape	Mar 100 Grape
No log	1.0	61	1.6346	0.1421	0.4179	0.0503	-1.0	0.0666	0.152	0.029	0.1704	0.3311	-1.0	0.1092	0.3539	0.1421	0.3311
No log	2.0	122	1.5049	0.1757	0.4964	0.0709	-1.0	0.0814	0.1864	0.0262	0.1978	0.3781	-1.0	0.1855	0.398	0.1757	0.3781
No log	3.0	183	1.5005	0.156	0.4872	0.0547	-1.0	0.0436	0.1675	0.0306	0.1893	0.362	-1.0	0.1382	0.3851	0.156	0.362
No log	4.0	244	1.4297	0.1915	0.5511	0.0842	-1.0	0.0976	0.2021	0.034	0.2072	0.3834	-1.0	0.1908	0.4033	0.1915	0.3834
No log	5.0	305	1.3976	0.2206	0.5831	0.105	-1.0	0.1182	0.2322	0.0316	0.2292	0.4091	-1.0	0.1947	0.4312	0.2206	0.4091
No log	6.0	366	1.3509	0.2152	0.6007	0.1	-1.0	0.102	0.2276	0.0316	0.2362	0.4203	-1.0	0.1776	0.4453	0.2152	0.4203
No log	7.0	427	1.3724	0.224	0.6053	0.1031	-1.0	0.1049	0.2369	0.0345	0.2394	0.4018	-1.0	0.1868	0.424	0.224	0.4018
No log	8.0	488	1.3513	0.22	0.601	0.1175	-1.0	0.1186	0.2317	0.0292	0.2441	0.4177	-1.0	0.1895	0.4412	0.22	0.4177
1.4498	9.0	549	1.3314	0.2318	0.6336	0.1159	-1.0	0.1465	0.2424	0.0337	0.2353	0.4227	-1.0	0.2289	0.4427	0.2318	0.4227
1.4498	10.0	610	1.3243	0.2397	0.6146	0.1244	-1.0	0.1173	0.2532	0.0377	0.2486	0.4226	-1.0	0.1868	0.4469	0.2397	0.4226
1.4498	11.0	671	1.2976	0.255	0.6567	0.1328	-1.0	0.1221	0.2697	0.0421	0.2604	0.4324	-1.0	0.1987	0.4565	0.255	0.4324
1.4498	12.0	732	1.3261	0.2491	0.6486	0.1455	-1.0	0.1193	0.2627	0.0356	0.2501	0.4378	-1.0	0.2316	0.4591	0.2491	0.4378
1.4498	13.0	793	1.3027	0.2568	0.6481	0.1543	-1.0	0.1451	0.2696	0.0397	0.2603	0.4334	-1.0	0.25	0.4523	0.2568	0.4334
1.4498	14.0	854	1.3278	0.2566	0.6406	0.1619	-1.0	0.118	0.2716	0.04	0.2598	0.4457	-1.0	0.2	0.471	0.2566	0.4457
1.4498	15.0	915	1.3038	0.2582	0.639	0.1583	-1.0	0.1343	0.2723	0.0362	0.2665	0.4504	-1.0	0.2039	0.4757	0.2582	0.4504
1.4498	16.0	976	1.2797	0.2598	0.6437	0.1641	-1.0	0.1357	0.2732	0.0386	0.2615	0.458	-1.0	0.2237	0.4821	0.2598	0.458
1.1642	17.0	1037	1.2855	0.2704	0.6443	0.1712	-1.0	0.1446	0.2845	0.0404	0.2698	0.4541	-1.0	0.2487	0.4752	0.2704	0.4541
1.1642	18.0	1098	1.2894	0.2625	0.6503	0.1615	-1.0	0.1269	0.2769	0.0387	0.258	0.4565	-1.0	0.2184	0.481	0.2625	0.4565
1.1642	19.0	1159	1.2742	0.2754	0.6682	0.1886	-1.0	0.1456	0.2897	0.0391	0.2706	0.4651	-1.0	0.2289	0.4894	0.2754	0.4651
1.1642	20.0	1220	1.2764	0.2736	0.6651	0.1822	-1.0	0.1411	0.2885	0.04	0.2677	0.464	-1.0	0.2329	0.4878	0.2736	0.464
1.1642	21.0	1281	1.2587	0.2802	0.6697	0.1876	-1.0	0.1557	0.2943	0.0396	0.2704	0.4692	-1.0	0.2342	0.4934	0.2802	0.4692
1.1642	22.0	1342	1.2644	0.2819	0.6706	0.1836	-1.0	0.1539	0.2961	0.0399	0.2716	0.4678	-1.0	0.2316	0.4921	0.2819	0.4678
1.1642	23.0	1403	1.2664	0.2841	0.6736	0.1968	-1.0	0.1454	0.2989	0.0394	0.2733	0.4727	-1.0	0.2487	0.4958	0.2841	0.4727
1.1642	24.0	1464	1.2639	0.2866	0.6725	0.199	-1.0	0.1453	0.3017	0.0418	0.2742	0.4747	-1.0	0.2408	0.4988	0.2866	0.4747
0.9955	25.0	1525	1.2702	0.2847	0.6656	0.2011	-1.0	0.1492	0.2997	0.0407	0.2789	0.4767	-1.0	0.2474	0.5003	0.2847	0.4767
0.9955	26.0	1586	1.2608	0.2896	0.6766	0.2078	-1.0	0.1485	0.3051	0.0412	0.2758	0.472	-1.0	0.2355	0.4963	0.2896	0.472
0.9955	27.0	1647	1.2682	0.2908	0.6731	0.2145	-1.0	0.147	0.3066	0.041	0.2805	0.4754	-1.0	0.2382	0.4999	0.2908	0.4754
0.9955	28.0	1708	1.2645	0.29	0.676	0.2089	-1.0	0.1541	0.3045	0.041	0.2803	0.4721	-1.0	0.2447	0.4955	0.29	0.4721
0.9955	29.0	1769	1.2660	0.2888	0.6733	0.2036	-1.0	0.1549	0.3035	0.0405	0.2802	0.4726	-1.0	0.2421	0.4963	0.2888	0.4726
0.9955	30.0	1830	1.2685	0.2896	0.6734	0.2043	-1.0	0.1549	0.3044	0.0408	0.2803	0.4733	-1.0	0.2421	0.4972	0.2896	0.4733

Framework versions

• Transformers 4.57.6
• Pytorch 2.9.0+cu128
• Datasets 4.0.0
• Tokenizers 0.22.2