square_run_square_run_second_vote_full_pic_25

This model is a fine-tuned version of google/vit-base-patch16-224 on an unknown dataset. It achieves the following results on the evaluation set:

• Loss: 1.8562
• F1 Macro: 0.1224
• F1 Micro: 0.2273
• F1 Weighted: 0.1585
• Precision Macro: 0.1354
• Precision Micro: 0.2273
• Precision Weighted: 0.1677
• Recall Macro: 0.1689
• Recall Micro: 0.2273
• Recall Weighted: 0.2273
• Accuracy: 0.2273

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_BNB with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.1
• num_epochs: 30

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Macro	F1 Micro	F1 Weighted	Precision Macro	Precision Micro	Precision Weighted	Recall Macro	Recall Micro	Recall Weighted	Accuracy
1.8549	1.0	58	1.8882	0.0921	0.1818	0.1204	0.0853	0.1818	0.1146	0.1396	0.1818	0.1818	0.1818
1.7658	2.0	116	1.9512	0.0767	0.1818	0.0967	0.0520	0.1818	0.0664	0.1495	0.1818	0.1818	0.1818
1.8358	3.0	174	1.9288	0.0518	0.2197	0.0796	0.0316	0.2197	0.0486	0.1429	0.2197	0.2197	0.2197
1.838	4.0	232	1.8900	0.0913	0.1818	0.1280	0.0727	0.1818	0.1001	0.1271	0.1818	0.1818	0.1818
1.7559	5.0	290	1.9283	0.0850	0.1212	0.0951	0.1143	0.1212	0.1319	0.1191	0.1212	0.1212	0.1212
1.8566	6.0	348	1.9484	0.0706	0.2045	0.0945	0.0620	0.2045	0.0752	0.1400	0.2045	0.2045	0.2045
2.2934	7.0	406	1.9065	0.1343	0.2045	0.1672	0.1147	0.2045	0.1420	0.1633	0.2045	0.2045	0.2045
1.7536	8.0	464	1.9479	0.1478	0.2197	0.1850	0.1421	0.2197	0.1848	0.1805	0.2197	0.2197	0.2197
1.8144	9.0	522	2.0296	0.1669	0.2121	0.2033	0.1791	0.2121	0.2094	0.1677	0.2121	0.2121	0.2121
1.8444	10.0	580	2.0174	0.1767	0.2121	0.2074	0.1983	0.2121	0.2457	0.1882	0.2121	0.2121	0.2121
1.5718	11.0	638	2.0928	0.1532	0.2197	0.1994	0.1432	0.2197	0.1846	0.1674	0.2197	0.2197	0.2197
1.3007	12.0	696	2.3367	0.1347	0.2273	0.1843	0.1228	0.2273	0.1637	0.1619	0.2273	0.2273	0.2273
1.6815	13.0	754	2.3941	0.1582	0.25	0.1983	0.1550	0.25	0.1865	0.1920	0.25	0.25	0.25
0.7993	14.0	812	2.4611	0.1382	0.1818	0.1763	0.1368	0.1818	0.1758	0.1447	0.1818	0.1818	0.1818
1.0532	15.0	870	2.6119	0.1591	0.2121	0.2028	0.1857	0.2121	0.2359	0.1652	0.2121	0.2121	0.2121
0.676	16.0	928	2.6952	0.1942	0.2424	0.2419	0.1998	0.2424	0.2520	0.1986	0.2424	0.2424	0.2424
0.5739	17.0	986	2.9870	0.1704	0.2197	0.1996	0.1794	0.2197	0.2173	0.1894	0.2197	0.2197	0.2197
0.3949	18.0	1044	2.9761	0.1543	0.2197	0.2029	0.1522	0.2197	0.2002	0.1658	0.2197	0.2197	0.2197
0.4349	19.0	1102	3.2431	0.1300	0.1591	0.1608	0.1364	0.1591	0.1727	0.1333	0.1591	0.1591	0.1591
0.2835	20.0	1160	3.0830	0.1741	0.2121	0.2163	0.1864	0.2121	0.2394	0.1769	0.2121	0.2121	0.2121
0.0613	21.0	1218	3.3210	0.1730	0.2348	0.2231	0.1745	0.2348	0.2228	0.1794	0.2348	0.2348	0.2348
0.331	22.0	1276	3.4701	0.1809	0.2197	0.2204	0.1805	0.2197	0.2219	0.1821	0.2197	0.2197	0.2197
0.0503	23.0	1334	3.5875	0.1869	0.2424	0.2379	0.1892	0.2424	0.2406	0.1896	0.2424	0.2424	0.2424
0.4794	24.0	1392	3.6579	0.1739	0.2197	0.2200	0.1790	0.2197	0.2291	0.1753	0.2197	0.2197	0.2197
0.2527	25.0	1450	3.7844	0.1786	0.2121	0.2154	0.1819	0.2121	0.2244	0.1796	0.2121	0.2121	0.2121
0.1714	26.0	1508	3.9514	0.1805	0.2121	0.2206	0.1908	0.2121	0.2407	0.1793	0.2121	0.2121	0.2121
0.0291	27.0	1566	3.9734	0.1864	0.2197	0.2268	0.1929	0.2197	0.2392	0.1842	0.2197	0.2197	0.2197
0.2084	28.0	1624	4.0018	0.1767	0.2197	0.2223	0.1813	0.2197	0.2307	0.1762	0.2197	0.2197	0.2197
0.0191	29.0	1682	4.0030	0.2000	0.2424	0.2448	0.2038	0.2424	0.2526	0.2004	0.2424	0.2424	0.2424
0.0414	30.0	1740	4.0048	0.2004	0.2424	0.2450	0.2047	0.2424	0.2526	0.2000	0.2424	0.2424	0.2424

Framework versions

• Transformers 4.49.0
• Pytorch 2.6.0+cu124
• Datasets 3.3.1
• Tokenizers 0.21.0