rtdetr_v2_r50vd-mobile-ui-design

This model is a fine-tuned version of PekingU/rtdetr_v2_r50vd on the mrtoy/mobile-ui-design dataset. It achieves the following results on the evaluation set:

• Loss: 12.8580
• Map: 0.184
• Map 50: 0.2675
• Map 75: 0.187
• Map Small: 0.1078
• Map Medium: 0.2481
• Map Large: 0.3432
• Mar 1: 0.0458
• Mar 10: 0.2788
• Mar 100: 0.5263
• Mar Small: 0.3366
• Mar Medium: 0.6108
• Mar Large: 0.7828
• Map Group: 0.1473
• Mar 100 Group: 0.553
• Map Image: 0.1684
• Mar 100 Image: 0.5868
• Map Rectangle: 0.251
• Mar 100 Rectangle: 0.5303
• Map Text: 0.1695
• Mar 100 Text: 0.4352

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: 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: linear
• lr_scheduler_warmup_steps: 0.1
• num_epochs: 15.0
• mixed_precision_training: Native AMP

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 Group	Mar 100 Group	Map Image	Mar 100 Image	Map Rectangle	Mar 100 Rectangle	Map Text	Mar 100 Text
No log	1.0	99	22.7632	0.0708	0.1146	0.0673	0.0233	0.1027	0.1294	0.0378	0.1711	0.3001	0.0915	0.4334	0.5435	0.0619	0.335	0.0975	0.3578	0.0632	0.334	0.0608	0.1738
No log	2.0	198	16.2873	0.1599	0.237	0.1571	0.0622	0.2255	0.2792	0.0499	0.2684	0.4281	0.1963	0.5439	0.7334	0.1289	0.4519	0.1746	0.4717	0.1986	0.4472	0.1374	0.3415
No log	3.0	297	14.4753	0.1566	0.2331	0.1546	0.0703	0.2304	0.2656	0.0454	0.2635	0.4598	0.2555	0.5511	0.7371	0.1134	0.4904	0.1482	0.494	0.2134	0.4591	0.1517	0.3959
No log	4.0	396	13.6888	0.1466	0.2159	0.1449	0.0756	0.2295	0.2751	0.0402	0.2454	0.4841	0.2773	0.5746	0.7669	0.0996	0.5028	0.1661	0.5372	0.2034	0.4954	0.1173	0.4009
No log	5.0	495	13.3133	0.1785	0.2595	0.178	0.0926	0.2627	0.328	0.0467	0.2762	0.5084	0.3067	0.6001	0.7702	0.1509	0.5214	0.187	0.5727	0.2262	0.5111	0.1499	0.4283
27.7215	6.0	594	13.1312	0.1766	0.2539	0.1761	0.0885	0.2429	0.3565	0.0485	0.269	0.5077	0.3012	0.598	0.7874	0.1413	0.5231	0.1692	0.5585	0.2553	0.5138	0.1405	0.4354
27.7215	7.0	693	12.9639	0.177	0.2553	0.1783	0.1009	0.2442	0.3414	0.0468	0.2689	0.5164	0.3104	0.6112	0.7856	0.1428	0.5236	0.1715	0.5832	0.2336	0.5198	0.1599	0.439
27.7215	8.0	792	12.9724	0.1791	0.2603	0.182	0.0981	0.2391	0.3433	0.0476	0.2704	0.5208	0.3261	0.6101	0.7882	0.1491	0.5335	0.1735	0.5896	0.2448	0.5198	0.149	0.4403
27.7215	9.0	891	12.8619	0.1519	0.226	0.151	0.1019	0.2109	0.278	0.0415	0.2501	0.513	0.3089	0.6017	0.7895	0.1035	0.5286	0.1458	0.574	0.21	0.5333	0.1484	0.4159
27.7215	10.0	990	12.7635	0.1779	0.2597	0.1792	0.1079	0.2383	0.3358	0.0438	0.2669	0.5239	0.3345	0.6092	0.7903	0.1338	0.5514	0.1703	0.5819	0.2527	0.5286	0.1549	0.4335
20.7238	11.0	1089	12.8125	0.1836	0.267	0.1862	0.1079	0.2493	0.34	0.0462	0.2768	0.5265	0.3368	0.6113	0.7836	0.1436	0.5551	0.1709	0.5854	0.2524	0.5295	0.1676	0.4361
20.7238	12.0	1188	12.6448	0.1768	0.2586	0.1778	0.1102	0.2299	0.3242	0.0468	0.271	0.5257	0.3328	0.6179	0.7839	0.1387	0.5606	0.1776	0.5862	0.234	0.5212	0.1567	0.4349
20.7238	13.0	1287	12.6649	0.1751	0.2567	0.1767	0.1102	0.229	0.3215	0.0458	0.2707	0.5304	0.3441	0.6181	0.7864	0.1393	0.5553	0.1723	0.602	0.2344	0.5294	0.1541	0.4349
20.7238	14.0	1386	12.6806	0.1793	0.2626	0.1811	0.1111	0.2317	0.3288	0.0463	0.2748	0.5297	0.3409	0.6161	0.7786	0.149	0.5567	0.1749	0.595	0.2347	0.5143	0.1586	0.4527
20.7238	15.0	1485	12.6503	0.1823	0.2668	0.1846	0.1118	0.2364	0.3392	0.048	0.2761	0.5311	0.3418	0.6223	0.7844	0.1494	0.5584	0.1708	0.5987	0.2431	0.5206	0.1658	0.4468

Framework versions

• Transformers 5.3.0.dev0
• Pytorch 2.10.0+cu128
• Datasets 4.5.0
• Tokenizers 0.22.2