lilt-en-1k_img

This model is a fine-tuned version of SCUT-DLVCLab/lilt-roberta-en-base on the None dataset. It achieves the following results on the evaluation set:

• Loss: 2.1240
• Able: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}
• Able caption: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}
• Eading: {'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}
• Ext: {'precision': 0.7962962962962963, 'recall': 0.7962962962962963, 'f1': 0.7962962962962963, 'number': 54}
• Mage: {'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}
• Mage caption: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}
• Ub heading: {'precision': 0.5858585858585859, 'recall': 0.7435897435897436, 'f1': 0.655367231638418, 'number': 78}
• Overall Precision: 0.5860
• Overall Recall: 0.5833
• Overall F1: 0.5847
• Overall Accuracy: 0.6767

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	Able	Able caption	Eading	Ext	Mage	Mage caption	Ub heading	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.8351	2.0	200	1.1577	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1724137931034483, 'recall': 0.20833333333333334, 'f1': 0.18867924528301888, 'number': 24}	{'precision': 0.7321428571428571, 'recall': 0.7592592592592593, 'f1': 0.7454545454545455, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5662650602409639, 'recall': 0.6025641025641025, 'f1': 0.5838509316770186, 'number': 78}	0.5476	0.5324	0.5399	0.6567
0.5827	4.0	400	1.7815	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.23076923076923078, 'recall': 0.125, 'f1': 0.16216216216216217, 'number': 24}	{'precision': 0.5166666666666667, 'recall': 0.5740740740740741, 'f1': 0.543859649122807, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5789473684210527, 'recall': 0.5641025641025641, 'f1': 0.5714285714285715, 'number': 78}	0.4462	0.4028	0.4234	0.52
0.4593	6.0	600	1.9964	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.16666666666666666, 'recall': 0.20833333333333334, 'f1': 0.1851851851851852, 'number': 24}	{'precision': 0.7547169811320755, 'recall': 0.7407407407407407, 'f1': 0.7476635514018692, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5641025641025641, 'recall': 0.5641025641025641, 'f1': 0.5641025641025641, 'number': 78}	0.5441	0.5139	0.5286	0.6467
0.4241	8.0	800	1.6445	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.23529411764705882, 'recall': 0.16666666666666666, 'f1': 0.19512195121951217, 'number': 24}	{'precision': 0.6666666666666666, 'recall': 0.7407407407407407, 'f1': 0.7017543859649122, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.6410256410256411, 'recall': 0.6410256410256411, 'f1': 0.6410256410256411, 'number': 78}	0.515	0.4769	0.4952	0.56
0.3912	10.0	1000	1.9949	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.2727272727272727, 'recall': 0.125, 'f1': 0.17142857142857143, 'number': 24}	{'precision': 0.5892857142857143, 'recall': 0.6111111111111112, 'f1': 0.6, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.6190476190476191, 'recall': 0.6666666666666666, 'f1': 0.6419753086419754, 'number': 78}	0.5612	0.5093	0.5340	0.6733
0.404	12.0	1200	1.8376	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.25, 'recall': 0.16666666666666666, 'f1': 0.2, 'number': 24}	{'precision': 0.7592592592592593, 'recall': 0.7592592592592593, 'f1': 0.7592592592592593, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.6304347826086957, 'recall': 0.7435897435897436, 'f1': 0.6823529411764706, 'number': 78}	0.5411	0.5185	0.5296	0.5733
0.3941	14.0	1400	2.1137	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.2727272727272727, 'recall': 0.125, 'f1': 0.17142857142857143, 'number': 24}	{'precision': 0.6226415094339622, 'recall': 0.6111111111111112, 'f1': 0.616822429906542, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.625, 'recall': 0.7051282051282052, 'f1': 0.6626506024096386, 'number': 78}	0.5102	0.4630	0.4854	0.56
0.3963	16.0	1600	1.9659	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.375, 'recall': 0.125, 'f1': 0.1875, 'number': 24}	{'precision': 0.6909090909090909, 'recall': 0.7037037037037037, 'f1': 0.6972477064220184, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.638095238095238, 'recall': 0.8589743589743589, 'f1': 0.7322404371584699, 'number': 78}	0.5571	0.5417	0.5493	0.5967
0.3929	18.0	1800	2.5380	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.25, 'recall': 0.125, 'f1': 0.16666666666666666, 'number': 24}	{'precision': 0.5254237288135594, 'recall': 0.5740740740740741, 'f1': 0.5486725663716815, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5833333333333334, 'recall': 0.5384615384615384, 'f1': 0.5599999999999999, 'number': 78}	0.4474	0.3935	0.4187	0.5233
0.3895	20.0	2000	2.2060	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}	{'precision': 0.7142857142857143, 'recall': 0.7407407407407407, 'f1': 0.7272727272727273, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5894736842105263, 'recall': 0.717948717948718, 'f1': 0.6473988439306358, 'number': 78}	0.5708	0.5602	0.5654	0.67
0.3783	22.0	2200	2.2297	{'precision': 0.21428571428571427, 'recall': 0.45, 'f1': 0.29032258064516125, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}	{'precision': 0.7142857142857143, 'recall': 0.7407407407407407, 'f1': 0.7272727272727273, 'number': 54}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5851063829787234, 'recall': 0.7051282051282052, 'f1': 0.6395348837209303, 'number': 78}	0.5047	0.4954	0.5	0.5467
0.3833	24.0	2400	2.1240	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 2}	{'precision': 0.1875, 'recall': 0.125, 'f1': 0.15, 'number': 24}	{'precision': 0.7962962962962963, 'recall': 0.7962962962962963, 'f1': 0.7962962962962963, 'number': 54}	{'precision': 0.5238095238095238, 'recall': 0.6666666666666666, 'f1': 0.5866666666666667, 'number': 33}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 5}	{'precision': 0.5858585858585859, 'recall': 0.7435897435897436, 'f1': 0.655367231638418, 'number': 78}	0.5860	0.5833	0.5847	0.6767

Framework versions

• Transformers 4.28.1
• Pytorch 2.0.0+cu117
• Datasets 2.11.0
• Tokenizers 0.13.3