File size: 19,526 Bytes
84d9ba6 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 |
---
license: mit
base_model: SCUT-DLVCLab/lilt-roberta-en-base
tags:
- generated_from_trainer
model-index:
- name: lilt-en-aadhaar2
results: []
---
<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->
# lilt-en-aadhaar2
This model is a fine-tuned version of [SCUT-DLVCLab/lilt-roberta-en-base](https://huggingface.co/SCUT-DLVCLab/lilt-roberta-en-base) on the None dataset.
It achieves the following results on the evaluation set:
- Loss: 0.0737
- Adhaar Number: {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39}
- Ame: {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24}
- Ather Name: {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3}
- Ather Name Back: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}
- Ather Name Front Top: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}
- Ddress Back: {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68}
- Ddress Front: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49}
- Ender: {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21}
- Ob: {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22}
- Obile Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
- Ther: {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185}
- Overall Precision: 0.9509
- Overall Recall: 0.9467
- Overall F1: 0.9488
- Overall Accuracy: 0.9953
## 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: 8
- eval_batch_size: 8
- seed: 42
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- training_steps: 2500
- mixed_precision_training: Native AMP
### Training results
| Training Loss | Epoch | Step | Validation Loss | Adhaar Number | Ame | Ather Name | Ather Name Back | Ather Name Front Top | Ddress Back | Ddress Front | Ender | Ob | Obile Number | Ther | Overall Precision | Overall Recall | Overall F1 | Overall Accuracy |
|:-------------:|:-----:|:----:|:---------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:----------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:----------------------------------------------------------:|:--------------------------------------------------------------------------------------------------------:|:-----------------:|:--------------:|:----------:|:----------------:|
| 0.1686 | 8.33 | 200 | 0.0638 | {'precision': 0.8780487804878049, 'recall': 0.9230769230769231, 'f1': 0.9, 'number': 39} | {'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.8709677419354839, 'recall': 0.7941176470588235, 'f1': 0.8307692307692308, 'number': 68} | {'precision': 0.9795918367346939, 'recall': 0.9795918367346939, 'f1': 0.9795918367346939, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.8852459016393442, 'recall': 0.8756756756756757, 'f1': 0.8804347826086957, 'number': 185} | 0.9101 | 0.9 | 0.9050 | 0.9897 |
| 0.0036 | 16.67 | 400 | 0.0807 | {'precision': 0.9047619047619048, 'recall': 0.9743589743589743, 'f1': 0.9382716049382716, 'number': 39} | {'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 3} | {'precision': 0.6521739130434783, 'recall': 0.8823529411764706, 'f1': 0.75, 'number': 17} | {'precision': 0.8571428571428571, 'recall': 1.0, 'f1': 0.923076923076923, 'number': 12} | {'precision': 0.7647058823529411, 'recall': 0.7647058823529411, 'f1': 0.7647058823529412, 'number': 68} | {'precision': 0.92, 'recall': 0.9387755102040817, 'f1': 0.9292929292929293, 'number': 49} | {'precision': 1.0, 'recall': 0.9047619047619048, 'f1': 0.9500000000000001, 'number': 21} | {'precision': 0.9565217391304348, 'recall': 1.0, 'f1': 0.9777777777777777, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.8716577540106952, 'recall': 0.8810810810810811, 'f1': 0.8763440860215054, 'number': 185} | 0.8664 | 0.8933 | 0.8796 | 0.9885 |
| 0.0027 | 25.0 | 600 | 0.0797 | {'precision': 0.925, 'recall': 0.9487179487179487, 'f1': 0.9367088607594937, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.75, 'recall': 1.0, 'f1': 0.8571428571428571, 'number': 3} | {'precision': 0.9411764705882353, 'recall': 0.9411764705882353, 'f1': 0.9411764705882353, 'number': 17} | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} | {'precision': 0.8405797101449275, 'recall': 0.8529411764705882, 'f1': 0.8467153284671534, 'number': 68} | {'precision': 0.9591836734693877, 'recall': 0.9591836734693877, 'f1': 0.9591836734693877, 'number': 49} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.8870967741935484, 'recall': 0.8918918918918919, 'f1': 0.8894878706199462, 'number': 185} | 0.9035 | 0.9156 | 0.9095 | 0.9910 |
| 0.0024 | 33.33 | 800 | 0.0623 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.9375, 'recall': 0.8823529411764706, 'f1': 0.9090909090909091, 'number': 68} | {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.8695652173913043, 'recall': 0.9090909090909091, 'f1': 0.888888888888889, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.9239130434782609, 'recall': 0.918918918918919, 'f1': 0.9214092140921409, 'number': 185} | 0.9439 | 0.9356 | 0.9397 | 0.9947 |
| 0.0004 | 41.67 | 1000 | 0.0849 | {'precision': 0.95, 'recall': 0.9743589743589743, 'f1': 0.9620253164556962, 'number': 39} | {'precision': 0.8846153846153846, 'recall': 0.9583333333333334, 'f1': 0.9199999999999999, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.8769230769230769, 'recall': 0.8382352941176471, 'f1': 0.8571428571428571, 'number': 68} | {'precision': 0.9791666666666666, 'recall': 0.9591836734693877, 'f1': 0.9690721649484536, 'number': 49} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.8864864864864865, 'recall': 0.8864864864864865, 'f1': 0.8864864864864865, 'number': 185} | 0.9156 | 0.9156 | 0.9156 | 0.9922 |
| 0.0002 | 50.0 | 1200 | 0.0699 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.9230769230769231, 'recall': 0.8823529411764706, 'f1': 0.9022556390977443, 'number': 68} | {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} | {'precision': 1.0, 'recall': 0.9047619047619048, 'f1': 0.9500000000000001, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.8972972972972973, 'recall': 0.8972972972972973, 'f1': 0.8972972972972972, 'number': 185} | 0.9286 | 0.9244 | 0.9265 | 0.9938 |
| 0.0001 | 58.33 | 1400 | 0.0733 | {'precision': 0.95, 'recall': 0.9743589743589743, 'f1': 0.9620253164556962, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.8923076923076924, 'recall': 0.8529411764705882, 'f1': 0.8721804511278195, 'number': 68} | {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.907608695652174, 'recall': 0.9027027027027027, 'f1': 0.9051490514905148, 'number': 185} | 0.9308 | 0.9267 | 0.9287 | 0.9941 |
| 0.0002 | 66.67 | 1600 | 0.0728 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.9384615384615385, 'recall': 0.8970588235294118, 'f1': 0.9172932330827067, 'number': 68} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.9139784946236559, 'recall': 0.918918918918919, 'f1': 0.9164420485175202, 'number': 185} | 0.9379 | 0.94 | 0.9390 | 0.9947 |
| 0.0002 | 75.0 | 1800 | 0.0731 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68} | {'precision': 1.0, 'recall': 0.9795918367346939, 'f1': 0.9896907216494846, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.9243243243243243, 'recall': 0.9243243243243243, 'f1': 0.9243243243243243, 'number': 185} | 0.9485 | 0.9422 | 0.9454 | 0.9950 |
| 0.0001 | 83.33 | 2000 | 0.0737 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185} | 0.9509 | 0.9467 | 0.9488 | 0.9953 |
| 0.0001 | 91.67 | 2200 | 0.0750 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.953125, 'recall': 0.8970588235294118, 'f1': 0.9242424242424244, 'number': 68} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.9297297297297298, 'recall': 0.9297297297297298, 'f1': 0.9297297297297298, 'number': 185} | 0.9509 | 0.9467 | 0.9488 | 0.9953 |
| 0.0001 | 100.0 | 2400 | 0.0751 | {'precision': 0.975, 'recall': 1.0, 'f1': 0.9873417721518987, 'number': 39} | {'precision': 0.92, 'recall': 0.9583333333333334, 'f1': 0.9387755102040817, 'number': 24} | {'precision': 0.6666666666666666, 'recall': 0.6666666666666666, 'f1': 0.6666666666666666, 'number': 3} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} | {'precision': 0.9375, 'recall': 0.8823529411764706, 'f1': 0.9090909090909091, 'number': 68} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 49} | {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} | {'precision': 0.9130434782608695, 'recall': 0.9545454545454546, 'f1': 0.9333333333333332, 'number': 22} | {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} | {'precision': 0.9243243243243243, 'recall': 0.9243243243243243, 'f1': 0.9243243243243243, 'number': 185} | 0.9464 | 0.9422 | 0.9443 | 0.9950 |
### Framework versions
- Transformers 4.38.2
- Pytorch 2.2.1+cu121
- Datasets 2.18.0
- Tokenizers 0.15.2
|