Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 25 июн 2026

Ссылки

rtdetr-v2-r50-cppe5-finetune-2

Поиск объектовИзображение → bounding_boxes

Дообученная RT-DETRv2 модель для обнаружения средств индивидуальной защиты на изображениях, с очень низкими опубликованными метриками оценки.

15скачиваний за 30 дней0лайковвеса обновлены25 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AmanyAzzam/rtdetr-v2-r50-cppe5-finetune-2 — модель обнаружения объектов на изображениях, дообученная на базе PekingU/rtdetr_v2_r50vd. Она использует архитектуру RT-DETRv2 и предназначена для локализации объектов, включая Coverall, Face_Shield, Gloves, Goggles и Mask. Карточка не раскрывает состав датасета и предполагаемые сценарии применения.

В опубликованных результатах на оценочной выборке mAP составляет 0,0016, а mAP@50 — 0,0033; показатели для классов также близки к нулю. Эти метрики указывают на очень низкое качество обнаружения в приведённой оценке. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

обнаружение комбинезонов на изображениях
поиск защитных щитков для лица
обнаружение перчаток
обнаружение защитных очков
обнаружение масок

Ограничения

На оценочной выборке опубликованы крайне низкие метрики: mAP 0,0016 и mAP@50 0,0033; для класса Goggles mAP равен 0. Датасет и условия оценки не описаны, поэтому результаты могут не отражать качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rtdetr-v2-r50-cppe5-finetune-2

This model is a fine-tuned version of PekingU/rtdetr_v2_r50vd on an unknown dataset. It achieves the following results on the evaluation set:

eval_loss: 56.8776
eval_map: 0.0016
eval_map_50: 0.0033
eval_map_75: 0.0013
eval_map_small: 0.0001
eval_map_medium: 0.002
eval_map_large: 0.0141
eval_mar_1: 0.0047
eval_mar_10: 0.0217
eval_mar_100: 0.0874
eval_mar_small: 0.0102
eval_mar_medium: 0.0588
eval_mar_large: 0.1563
eval_map_Coverall: 0.0002
eval_mar_100_Coverall: 0.0821
eval_map_Face_Shield: 0.0055
eval_mar_100_Face_Shield: 0.1176
eval_map_Gloves: 0.002
eval_mar_100_Gloves: 0.1983
eval_map_Goggles: 0.0
eval_mar_100_Goggles: 0.0
eval_map_Mask: 0.0002
eval_mar_100_Mask: 0.0392
eval_runtime: 65.4375
eval_samples_per_second: 0.443
eval_steps_per_second: 0.061
epoch: 0.0748
step: 8

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: 300
num_epochs: 40

Framework versions

Transformers 5.12.1
Pytorch 2.12.1+cu130
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · object-detection

Можно запустить

Подбираем GPU…

Класс архитектуры: RTDetrV2ForObjectDetection
Ревизия весов: 27657ba