--- library_name: transformers license: other base_model: nvidia/mit-b0 tags: - vision - image-segmentation - generated_from_trainer model-index: - name: segformer-b0-finetuned-food103 results: [] --- # segformer-b0-finetuned-food103 This model is a fine-tuned version of [nvidia/mit-b0](https://huggingface.co/nvidia/mit-b0) on the EduardoPacheco/FoodSeg103 dataset. It achieves the following results on the evaluation set: - Loss: 2.8182 - Mean Iou: 0.0484 - Mean Accuracy: 0.1136 - Overall Accuracy: 0.1607 - Accuracy Background: nan - Accuracy Candy: nan - Accuracy Egg tart: nan - Accuracy French fries: 0.0 - Accuracy Chocolate: nan - Accuracy Biscuit: nan - Accuracy Popcorn: nan - Accuracy Pudding: nan - Accuracy Ice cream: 0.0 - Accuracy Cheese butter: 0.0 - Accuracy Cake: nan - Accuracy Wine: nan - Accuracy Milkshake: nan - Accuracy Coffee: nan - Accuracy Juice: nan - Accuracy Milk: nan - Accuracy Tea: nan - Accuracy Almond: nan - Accuracy Red beans: nan - Accuracy Cashew: nan - Accuracy Dried cranberries: nan - Accuracy Soy: nan - Accuracy Walnut: nan - Accuracy Peanut: nan - Accuracy Egg: 0.0 - Accuracy Apple: nan - Accuracy Date: nan - Accuracy Apricot: nan - Accuracy Avocado: nan - Accuracy Banana: nan - Accuracy Strawberry: 0.0 - Accuracy Cherry: nan - Accuracy Blueberry: nan - Accuracy Raspberry: nan - Accuracy Mango: nan - Accuracy Olives: nan - Accuracy Peach: nan - Accuracy Lemon: 0.0 - Accuracy Pear: nan - Accuracy Fig: nan - Accuracy Pineapple: nan - Accuracy Grape: nan - Accuracy Kiwi: 0.0 - Accuracy Melon: nan - Accuracy Orange: 0.3777 - Accuracy Watermelon: nan - Accuracy Steak: 0.0886 - Accuracy Pork: 0.0 - Accuracy Chicken duck: nan - Accuracy Sausage: 0.0 - Accuracy Fried meat: nan - Accuracy Lamb: nan - Accuracy Sauce: 0.0 - Accuracy Crab: nan - Accuracy Fish: 0.0001 - Accuracy Shellfish: nan - Accuracy Shrimp: nan - Accuracy Soup: nan - Accuracy Bread: 0.7076 - Accuracy Corn: 0.0 - Accuracy Hamburg: nan - Accuracy Pizza: nan - Accuracy hanamaki baozi: nan - Accuracy Wonton dumplings: nan - Accuracy Pasta: nan - Accuracy Noodles: nan - Accuracy Rice: nan - Accuracy Pie: 0.0 - Accuracy Tofu: nan - Accuracy Eggplant: nan - Accuracy Potato: 0.0 - Accuracy Garlic: nan - Accuracy Cauliflower: 0.0104 - Accuracy Tomato: 0.1124 - Accuracy Kelp: nan - Accuracy Seaweed: nan - Accuracy Spring onion: nan - Accuracy Rape: nan - Accuracy Ginger: nan - Accuracy Okra: nan - Accuracy Lettuce: 0.0 - Accuracy Pumpkin: nan - Accuracy Cucumber: 0.0 - Accuracy White radish: nan - Accuracy Carrot: 0.9045 - Accuracy Asparagus: nan - Accuracy Bamboo shoots: nan - Accuracy Broccoli: 0.7449 - Accuracy Celery stick: nan - Accuracy Cilantro mint: 0.0 - Accuracy Snow peas: nan - Accuracy cabbage: nan - Accuracy Bean sprouts: nan - Accuracy Onion: nan - Accuracy Pepper: nan - Accuracy Green beans: 0.0 - Accuracy French beans: 0.0063 - Accuracy King oyster mushroom: nan - Accuracy Shiitake: nan - Accuracy Enoki mushroom: nan - Accuracy Oyster mushroom: nan - Accuracy White button mushroom: nan - Accuracy Salad: nan - Accuracy Other ingredients: nan - Iou Background: 0.0 - Iou Candy: nan - Iou Egg tart: nan - Iou French fries: 0.0 - Iou Chocolate: nan - Iou Biscuit: 0.0 - Iou Popcorn: nan - Iou Pudding: nan - Iou Ice cream: 0.0 - Iou Cheese butter: 0.0 - Iou Cake: nan - Iou Wine: nan - Iou Milkshake: nan - Iou Coffee: nan - Iou Juice: nan - Iou Milk: 0.0 - Iou Tea: nan - Iou Almond: nan - Iou Red beans: nan - Iou Cashew: nan - Iou Dried cranberries: nan - Iou Soy: nan - Iou Walnut: nan - Iou Peanut: nan - Iou Egg: 0.0 - Iou Apple: nan - Iou Date: nan - Iou Apricot: nan - Iou Avocado: nan - Iou Banana: nan - Iou Strawberry: 0.0 - Iou Cherry: nan - Iou Blueberry: nan - Iou Raspberry: nan - Iou Mango: nan - Iou Olives: nan - Iou Peach: nan - Iou Lemon: 0.0 - Iou Pear: nan - Iou Fig: nan - Iou Pineapple: nan - Iou Grape: nan - Iou Kiwi: 0.0 - Iou Melon: nan - Iou Orange: 0.3363 - Iou Watermelon: nan - Iou Steak: 0.0747 - Iou Pork: 0.0 - Iou Chicken duck: 0.0 - Iou Sausage: 0.0 - Iou Fried meat: nan - Iou Lamb: nan - Iou Sauce: 0.0 - Iou Crab: nan - Iou Fish: 0.0001 - Iou Shellfish: 0.0 - Iou Shrimp: nan - Iou Soup: 0.0 - Iou Bread: 0.1537 - Iou Corn: 0.0 - Iou Hamburg: nan - Iou Pizza: nan - Iou hanamaki baozi: nan - Iou Wonton dumplings: nan - Iou Pasta: nan - Iou Noodles: nan - Iou Rice: 0.0 - Iou Pie: 0.0 - Iou Tofu: nan - Iou Eggplant: nan - Iou Potato: 0.0 - Iou Garlic: nan - Iou Cauliflower: 0.0102 - Iou Tomato: 0.0884 - Iou Kelp: nan - Iou Seaweed: nan - Iou Spring onion: nan - Iou Rape: nan - Iou Ginger: nan - Iou Okra: nan - Iou Lettuce: 0.0 - Iou Pumpkin: nan - Iou Cucumber: 0.0 - Iou White radish: nan - Iou Carrot: 0.7063 - Iou Asparagus: 0.0 - Iou Bamboo shoots: nan - Iou Broccoli: 0.3691 - Iou Celery stick: nan - Iou Cilantro mint: 0.0 - Iou Snow peas: nan - Iou cabbage: nan - Iou Bean sprouts: nan - Iou Onion: 0.0 - Iou Pepper: nan - Iou Green beans: 0.0 - Iou French beans: 0.0022 - Iou King oyster mushroom: nan - Iou Shiitake: nan - Iou Enoki mushroom: nan - Iou Oyster mushroom: nan - Iou White button mushroom: 0.0 - Iou Salad: nan - Iou Other ingredients: nan ## 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: 6e-05 - train_batch_size: 4 - eval_batch_size: 4 - seed: 42 - optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments - lr_scheduler_type: linear - num_epochs: 15 ### Training results | Training Loss | Epoch | Step | Validation Loss | Mean Iou | Mean Accuracy | Overall Accuracy | Accuracy Background | Accuracy Candy | Accuracy Egg tart | Accuracy French fries | Accuracy Chocolate | Accuracy Biscuit | Accuracy Popcorn | Accuracy Pudding | Accuracy Ice cream | Accuracy Cheese butter | Accuracy Cake | Accuracy Wine | Accuracy Milkshake | Accuracy Coffee | Accuracy Juice | Accuracy Milk | Accuracy Tea | Accuracy Almond | Accuracy Red beans | Accuracy Cashew | Accuracy Dried cranberries | Accuracy Soy | Accuracy Walnut | Accuracy Peanut | Accuracy Egg | Accuracy Apple | Accuracy Date | Accuracy Apricot | Accuracy Avocado | Accuracy Banana | Accuracy Strawberry | Accuracy Cherry | Accuracy Blueberry | Accuracy Raspberry | Accuracy Mango | Accuracy Olives | Accuracy Peach | Accuracy Lemon | Accuracy Pear | Accuracy Fig | Accuracy Pineapple | Accuracy Grape | Accuracy Kiwi | Accuracy Melon | Accuracy Orange | Accuracy Watermelon | Accuracy Steak | Accuracy Pork | Accuracy Chicken duck | Accuracy Sausage | Accuracy Fried meat | Accuracy Lamb | Accuracy Sauce | Accuracy Crab | Accuracy Fish | Accuracy Shellfish | Accuracy Shrimp | Accuracy Soup | Accuracy Bread | Accuracy Corn | Accuracy Hamburg | Accuracy Pizza | Accuracy hanamaki baozi | Accuracy Wonton dumplings | Accuracy Pasta | Accuracy Noodles | Accuracy Rice | Accuracy Pie | Accuracy Tofu | Accuracy Eggplant | Accuracy Potato | Accuracy Garlic | Accuracy Cauliflower | Accuracy Tomato | Accuracy Kelp | Accuracy Seaweed | Accuracy Spring onion | Accuracy Rape | Accuracy Ginger | Accuracy Okra | Accuracy Lettuce | Accuracy Pumpkin | Accuracy Cucumber | Accuracy White radish | Accuracy Carrot | Accuracy Asparagus | Accuracy Bamboo shoots | Accuracy Broccoli | Accuracy Celery stick | Accuracy Cilantro mint | Accuracy Snow peas | Accuracy cabbage | Accuracy Bean sprouts | Accuracy Onion | Accuracy Pepper | Accuracy Green beans | Accuracy French beans | Accuracy King oyster mushroom | Accuracy Shiitake | Accuracy Enoki mushroom | Accuracy Oyster mushroom | Accuracy White button mushroom | Accuracy Salad | Accuracy Other ingredients | Iou Background | Iou Candy | Iou Egg tart | Iou French fries | Iou Chocolate | Iou Biscuit | Iou Popcorn | Iou Pudding | Iou Ice cream | Iou Cheese butter | Iou Cake | Iou Wine | Iou Milkshake | Iou Coffee | Iou Juice | Iou Milk | Iou Tea | Iou Almond | Iou Red beans | Iou Cashew | Iou Dried cranberries | Iou Soy | Iou Walnut | Iou Peanut | Iou Egg | Iou Apple | Iou Date | Iou Apricot | Iou Avocado | Iou Banana | Iou Strawberry | Iou Cherry | Iou Blueberry | Iou Raspberry | Iou Mango | Iou Olives | Iou Peach | Iou Lemon | Iou Pear | Iou Fig | Iou Pineapple | Iou Grape | Iou Kiwi | Iou Melon | Iou Orange | Iou Watermelon | Iou Steak | Iou Pork | Iou Chicken duck | Iou Sausage | Iou Fried meat | Iou Lamb | Iou Sauce | Iou Crab | Iou Fish | Iou Shellfish | Iou Shrimp | Iou Soup | Iou Bread | Iou Corn | Iou Hamburg | Iou Pizza | Iou hanamaki baozi | Iou Wonton dumplings | Iou Pasta | Iou Noodles | Iou Rice | Iou Pie | Iou Tofu | Iou Eggplant | Iou Potato | Iou Garlic | Iou Cauliflower | Iou Tomato | Iou Kelp | Iou Seaweed | Iou Spring onion | Iou Rape | Iou Ginger | Iou Okra | Iou Lettuce | Iou Pumpkin | Iou Cucumber | Iou White radish | Iou Carrot | Iou Asparagus | Iou Bamboo shoots | Iou Broccoli | Iou Celery stick | Iou Cilantro mint | Iou Snow peas | Iou cabbage | Iou Bean sprouts | Iou Onion | Iou Pepper | Iou Green beans | Iou French beans | Iou King oyster mushroom | Iou Shiitake | Iou Enoki mushroom | Iou Oyster mushroom | Iou White button mushroom | Iou Salad | Iou Other ingredients | |:-------------:|:-----:|:----:|:---------------:|:--------:|:-------------:|:----------------:|:-------------------:|:--------------:|:-----------------:|:---------------------:|:------------------:|:----------------:|:----------------:|:----------------:|:------------------:|:----------------------:|:-------------:|:-------------:|:------------------:|:---------------:|:--------------:|:-------------:|:------------:|:---------------:|:------------------:|:---------------:|:--------------------------:|:------------:|:---------------:|:---------------:|:------------:|:--------------:|:-------------:|:----------------:|:----------------:|:---------------:|:-------------------:|:---------------:|:------------------:|:------------------:|:--------------:|:---------------:|:--------------:|:--------------:|:-------------:|:------------:|:------------------:|:--------------:|:-------------:|:--------------:|:---------------:|:-------------------:|:--------------:|:-------------:|:---------------------:|:----------------:|:-------------------:|:-------------:|:--------------:|:-------------:|:-------------:|:------------------:|:---------------:|:-------------:|:--------------:|:-------------:|:----------------:|:--------------:|:------------------------:|:-------------------------:|:--------------:|:----------------:|:-------------:|:------------:|:-------------:|:-----------------:|:---------------:|:---------------:|:--------------------:|:---------------:|:-------------:|:----------------:|:---------------------:|:-------------:|:---------------:|:-------------:|:----------------:|:----------------:|:-----------------:|:---------------------:|:---------------:|:------------------:|:----------------------:|:-----------------:|:---------------------:|:----------------------:|:------------------:|:-----------------:|:---------------------:|:--------------:|:---------------:|:--------------------:|:---------------------:|:-----------------------------:|:-----------------:|:-----------------------:|:------------------------:|:------------------------------:|:--------------:|:--------------------------:|:--------------:|:---------:|:------------:|:----------------:|:-------------:|:-----------:|:-----------:|:-----------:|:-------------:|:-----------------:|:--------:|:--------:|:-------------:|:----------:|:---------:|:--------:|:-------:|:----------:|:-------------:|:----------:|:---------------------:|:-------:|:----------:|:----------:|:-------:|:---------:|:--------:|:-----------:|:-----------:|:----------:|:--------------:|:----------:|:-------------:|:-------------:|:---------:|:----------:|:---------:|:---------:|:--------:|:-------:|:-------------:|:---------:|:--------:|:---------:|:----------:|:--------------:|:---------:|:--------:|:----------------:|:-----------:|:--------------:|:--------:|:---------:|:--------:|:--------:|:-------------:|:----------:|:--------:|:---------:|:--------:|:-----------:|:---------:|:-------------------:|:--------------------:|:---------:|:-----------:|:--------:|:-------:|:--------:|:------------:|:----------:|:----------:|:---------------:|:----------:|:--------:|:-----------:|:----------------:|:--------:|:----------:|:--------:|:-----------:|:-----------:|:------------:|:----------------:|:----------:|:-------------:|:-----------------:|:------------:|:----------------:|:-----------------:|:-------------:|:------------:|:----------------:|:---------:|:----------:|:---------------:|:----------------:|:------------------------:|:------------:|:------------------:|:-------------------:|:-------------------------:|:---------:|:---------------------:| | 3.1347 | 2.0 | 20 | 3.2931 | 0.0262 | 0.0884 | 0.1399 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.0123 | nan | 0.0561 | 0.0000 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0009 | nan | nan | nan | 0.4793 | 0.0025 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0173 | 0.3973 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.5628 | nan | nan | 0.7267 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0430 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.0112 | nan | 0.0402 | 0.0000 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0009 | 0.0 | nan | 0.0 | 0.1192 | 0.0013 | nan | nan | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0140 | 0.1261 | nan | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | 0.4396 | 0.0 | nan | 0.3936 | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0061 | 0.0 | nan | nan | nan | 0.0 | nan | nan | | 3.0079 | 4.0 | 40 | 3.1267 | 0.0367 | 0.0901 | 0.1364 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.0956 | nan | 0.0408 | 0.0 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | nan | 0.5201 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0009 | 0.1276 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.7890 | nan | nan | 0.7245 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0434 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.0738 | nan | 0.0379 | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0 | 0.0 | nan | 0.0 | 0.1178 | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0009 | 0.0771 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.6661 | 0.0 | nan | 0.4092 | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0113 | nan | nan | nan | nan | nan | nan | nan | | 2.6781 | 6.0 | 60 | 3.0853 | 0.0367 | 0.0836 | 0.1324 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.0293 | nan | 0.0643 | 0.0 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | nan | 0.4168 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0000 | nan | 0.0034 | 0.0966 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.8214 | nan | nan | 0.7399 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0014 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.0279 | nan | 0.0567 | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0 | 0.0 | nan | 0.0 | 0.1432 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0000 | nan | 0.0034 | 0.0710 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.6725 | 0.0 | nan | 0.3813 | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0005 | nan | nan | nan | nan | nan | nan | nan | | 2.5298 | 8.0 | 80 | 2.9667 | 0.0423 | 0.1094 | 0.1599 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.3381 | nan | 0.0880 | 0.0 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | nan | 0.5587 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0079 | 0.2008 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.9119 | nan | nan | 0.7390 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0009 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.2584 | nan | 0.0656 | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0 | 0.0 | nan | 0.0 | 0.1496 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0078 | 0.1402 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.5837 | 0.0 | nan | 0.3604 | nan | 0.0 | nan | nan | nan | 0.0 | 0.0 | 0.0 | 0.0003 | nan | nan | nan | nan | 0.0 | nan | nan | | 2.5369 | 10.0 | 100 | 2.8349 | 0.0434 | 0.1093 | 0.1617 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.2820 | nan | 0.0947 | 0.0 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0000 | nan | nan | nan | 0.6361 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0042 | 0.1937 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.8936 | nan | nan | 0.7320 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0066 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.2463 | nan | 0.0742 | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0000 | 0.0 | nan | 0.0 | 0.1279 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0041 | 0.1277 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.6606 | 0.0 | nan | 0.3619 | nan | 0.0 | nan | nan | nan | 0.0 | nan | 0.0 | 0.0022 | nan | nan | nan | nan | 0.0 | nan | nan | | 2.5523 | 12.0 | 120 | 2.8596 | 0.0504 | 0.1191 | 0.1739 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.3409 | nan | 0.0986 | 0.0 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0001 | nan | nan | nan | 0.7710 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0080 | 0.2343 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.8977 | nan | nan | 0.7444 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0004 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.3014 | nan | 0.0819 | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0001 | 0.0 | nan | 0.0 | 0.1507 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0079 | 0.1662 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.6904 | 0.0 | nan | 0.3666 | nan | 0.0 | nan | nan | nan | 0.0 | nan | 0.0 | 0.0001 | nan | nan | nan | nan | nan | nan | nan | | 2.3271 | 14.0 | 140 | 2.8182 | 0.0484 | 0.1136 | 0.1607 | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.3777 | nan | 0.0886 | 0.0 | nan | 0.0 | nan | nan | 0.0 | nan | 0.0001 | nan | nan | nan | 0.7076 | 0.0 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0104 | 0.1124 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.9045 | nan | nan | 0.7449 | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | 0.0063 | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | 0.0 | nan | 0.0 | nan | nan | 0.0 | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | nan | nan | nan | nan | 0.0 | nan | 0.3363 | nan | 0.0747 | 0.0 | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0001 | 0.0 | nan | 0.0 | 0.1537 | 0.0 | nan | nan | nan | nan | nan | nan | 0.0 | 0.0 | nan | nan | 0.0 | nan | 0.0102 | 0.0884 | nan | nan | nan | nan | nan | nan | 0.0 | nan | 0.0 | nan | 0.7063 | 0.0 | nan | 0.3691 | nan | 0.0 | nan | nan | nan | 0.0 | nan | 0.0 | 0.0022 | nan | nan | nan | nan | 0.0 | nan | nan | ### Framework versions - Transformers 4.46.3 - Pytorch 2.5.1+cu121 - Datasets 3.1.0 - Tokenizers 0.20.3