Grietas_10k-Fine-tuning

This model is a fine-tuned version of thezeivier/Grietas_10k on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.3864
Accuracy: 0.8860

Model description

More information needed

Intended uses & limitations

Este modelo ha sido diseñado para la clasificación de imágenes de infraestructuras en tres categorías:

Sano (sin daños en la estructura de concreto).
Fisura (daños leves e insignificantes en la estructura de concreto).
Grieta (daños graves y de alto riesgo en la estructura de concreto).

Este modelo de visión artificial puede ser una herramienta valiosa para identificar posibles amenazas de colapso en estructuras de concreto en caso de futuros terremotos.

Limitaciones: El modelo se ha entrenado exclusivamente con imágenes correspondientes a las tres categorías mencionadas anteriormente y no incorpora información sobre la distancia entre la cámara y la grieta capturada en la imagen.

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

Los siguientes hiperparámetros fueron utilizados durante el entrenamiento:

learning_rate (tasa de aprendizaje): 5e-05
train_batch_size (tamaño del lote de entrenamiento): 80
eval_batch_size (tamaño del lote de evaluación): 32
seed (semilla): 42
gradient_accumulation_steps (pasos de acumulación de gradientes): 4
total_train_batch_size (tamaño total del lote de entrenamiento): 320
optimizer (optimizador): Adam con betas=(0.9,0.999) y epsilon=1e-08
lr_scheduler_type (tipo de programador de tasa de aprendizaje): lineal
lr_scheduler_warmup_ratio (proporción de calentamiento del programador de tasa de aprendizaje): 0.1
num_epochs (número de épocas): 100

Estos hiperparámetros fueron utilizados para entrenar el modelo y pueden ser configurados en la parte correspondiente del modelo para replicar las mismas condiciones de entrenamiento. Cada hiperparámetro tiene un impacto en cómo se ajusta el modelo a los datos y puede afectar su rendimiento y velocidad de entrenamiento, por lo que es importante seleccionarlos cuidadosamente.

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	0.8	2	1.3737	0.3679
No log	2.0	5	1.0234	0.6218
No log	2.8	7	0.8146	0.7254
1.0488	4.0	10	0.6621	0.7772
1.0488	4.8	12	0.6295	0.8031
1.0488	6.0	15	0.5390	0.8083
1.0488	6.8	17	0.4902	0.8290
0.4981	8.0	20	0.4645	0.8290
0.4981	8.8	22	0.4484	0.8497
0.4981	10.0	25	0.4543	0.8446
0.4981	10.8	27	0.4325	0.8394
0.3669	12.0	30	0.4210	0.8497
0.3669	12.8	32	0.4303	0.8342
0.3669	14.0	35	0.4170	0.8497
0.3669	14.8	37	0.3861	0.8601
0.2811	16.0	40	0.3629	0.8705
0.2811	16.8	42	0.3982	0.8653
0.2811	18.0	45	0.4492	0.8290
0.2811	18.8	47	0.4216	0.8342
0.2026	20.0	50	0.4614	0.8394
0.2026	20.8	52	0.4325	0.8446
0.2026	22.0	55	0.4755	0.8342
0.2026	22.8	57	0.4175	0.8394
0.1709	24.0	60	0.4175	0.8497
0.1709	24.8	62	0.4105	0.8446
0.1709	26.0	65	0.4140	0.8601
0.1709	26.8	67	0.4641	0.8394
0.1293	28.0	70	0.4214	0.8394
0.1293	28.8	72	0.3802	0.8808
0.1293	30.0	75	0.4875	0.8290
0.1293	30.8	77	0.3972	0.8705
0.1167	32.0	80	0.4853	0.8394
0.1167	32.8	82	0.4082	0.8549
0.1167	34.0	85	0.3917	0.8601
0.1167	34.8	87	0.3573	0.8653
0.1034	36.0	90	0.4312	0.8497
0.1034	36.8	92	0.4035	0.8497
0.1034	38.0	95	0.4413	0.8238
0.1034	38.8	97	0.4728	0.8446
0.0782	40.0	100	0.3977	0.8808
0.0782	40.8	102	0.3449	0.8912
0.0782	42.0	105	0.4146	0.8808
0.0782	42.8	107	0.4380	0.8601
0.083	44.0	110	0.4579	0.8497
0.083	44.8	112	0.5234	0.8549
0.083	46.0	115	0.4053	0.8756
0.083	46.8	117	0.4724	0.8394
0.0741	48.0	120	0.4631	0.8549
0.0741	48.8	122	0.4351	0.8653
0.0741	50.0	125	0.4191	0.8756
0.0741	50.8	127	0.3772	0.8964
0.067	52.0	130	0.3960	0.8808
0.067	52.8	132	0.3749	0.8964
0.067	54.0	135	0.4395	0.8653
0.067	54.8	137	0.5284	0.8342
0.0632	56.0	140	0.3332	0.8808
0.0632	56.8	142	0.4342	0.8497
0.0632	58.0	145	0.3986	0.8756
0.0632	58.8	147	0.4771	0.8549
0.063	60.0	150	0.4505	0.8497
0.063	60.8	152	0.4023	0.8653
0.063	62.0	155	0.5208	0.8290
0.063	62.8	157	0.4915	0.8601
0.0571	64.0	160	0.4412	0.8756
0.0571	64.8	162	0.4554	0.8653
0.0571	66.0	165	0.4318	0.8653
0.0571	66.8	167	0.4317	0.8549
0.0608	68.0	170	0.4509	0.8653
0.0608	68.8	172	0.4176	0.8705
0.0608	70.0	175	0.5203	0.8394
0.0608	70.8	177	0.4375	0.8756
0.0478	72.0	180	0.4196	0.8601
0.0478	72.8	182	0.4744	0.8601
0.0478	74.0	185	0.4362	0.8808
0.0478	74.8	187	0.4804	0.8653
0.0519	76.0	190	0.4861	0.8446
0.0519	76.8	192	0.4605	0.8601
0.0519	78.0	195	0.4730	0.8394
0.0519	78.8	197	0.4650	0.8705
0.0553	80.0	200	0.3864	0.8860

Framework versions

Transformers 4.33.1
Pytorch 2.0.1+cu118
Datasets 2.14.5
Tokenizers 0.13.3