anastasispk/law-game-evidence-replacement-finetune

anastasispk
Detección de objetos

Este modelo es una versión afinada de PekingU/rtdetr_r50vd_coco_o365 en un conjunto de datos desconocido. Logra los siguientes resultados en el conjunto de evaluación: pérdida (Loss) de 3.5533, Map (Precisión Promedio) de 0.9339, Map 50 de 0.9616, Map 75 de 0.9575, Map Pequeño de 0.5574, Map Mediano de 0.9423, Map Grande de 0.9699, Mar (Tasa de Aceptación Promedio) 1 de 0.6597, Mar 10 de 0.9522, Mar 100 de 0.9722, Mar Pequeño de 0.7411, Mar Mediano de 0.9806, Mar Grande de 0.9908, Map Evidencia de -1.0, Mar 100 Evidencia de -1.0, Map Ambulancia de 0.9802, Mar 100 Ambulancia de 0.9899, Map Objetivo Artificial de 0.9245, Mar 100 Objetivo Artificial de 0.9611, Map Cartucho de 0.9759, Mar 100 Cartucho de 0.9937, Map Pistola de 0.9225, Mar 100 Pistola de 0.9542, Map Cuchillo de 0.8562, Mar 100 Cuchillo de 0.9404, Map Policía de 0.9495, Mar 100 Policía de 0.999, Map Cono de Tráfico de 0.9285, Mar 100 Cono de Tráfico de 0.9673.

Como usar

Hiperparámetros de entrenamiento

Los siguientes hiperparámetros fueron usados durante el entrenamiento:

  • learning_rate: 5e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam con betas=(0.9,0.999) y epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 300
  • num_epochs: 25
# Código de ejemplo para usar el modelo
from transformers import XXXX

model = XXXX.from_pretrained('anastasispk/law-game-evidence-replacement-finetune')

Funcionalidades

Detección de objetos
Transformadores
Safetensors
Inferencia con Endpoints
Afinado a partir de PekingU/rtdetr_r50vd_coco_o365

Casos de uso

Extract and analyze evidence in legal scenarios.
Object detection in gamified environments.
Enhanced analysis of crime scene elements.