Характеристики

Контекст: 1 024 токена
Параметры: 6,3 млн
Лицензия: Apache 2.0
Архитектура: detr · dense
Базовая модель: detr-resnet-50
Опубликована: 7 авг 2024

Ссылки

Hugging Face

Super_Detection_Model

ArrayDice

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная DETR-модель на ResNet-50 для обнаружения автомобилей, грузовиков и мотоциклов на изображениях.

12скачиваний за 30 дней0лайковвеса обновлены7 авг 2024

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

SuperDetectionModel — дообученная модель ArrayDice на базе facebook/detr-resnet-50 для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; в карточке приведены результаты оценки для категорий Car, Hgv, Motorcycle и Other. Модель основана на архитектуре DETR с ResNet-50, веса опубликованы в формате safetensors.

Для оценки указаны mAP 0,1631 и mAP@50 0,3094. Результаты заметно различаются по категориям: mAP для Car составляет 0,2921, для Hgv — 0,3204, для Motorcycle — 0,0399, для Other — 0. Название обучающего набора в README приведено как None, поэтому область применения за пределами перечисленных категорий неясна. Лицензия — Apache-2.0.

Сценарии применения

Поиск автомобилей на изображениях
Обнаружение тяжёлых грузовиков на изображениях
Поиск мотоциклов на изображениях
Получение рамок объектов для визуального анализа транспорта

Ограничения

На тестовой оценке mAP составляет 0,1631; качество сильно различается по категориям, а для класса Other указана нулевая точность. Обучающий набор и более подробные сценарии применения в карточке не раскрыты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Super_Detection_Model

This model is a fine-tuned version of facebook/detr-resnet-50 on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.1666
Map: 0.1631
Map 50: 0.3094
Map 75: 0.1578
Map Small: 0.136
Map Medium: 0.2597
Map Large: 0.1753
Mar 1: 0.1149
Mar 10: 0.2246
Mar 100: 0.2567
Mar Small: 0.2577
Mar Medium: 0.3214
Mar Large: 0.3473
Map Car: 0.2921
Mar 100 Car: 0.4101
Map Hgv: 0.3204
Mar 100 Hgv: 0.4958
Map Motorcycle: 0.0399
Mar 100 Motorcycle: 0.1208
Map Other: 0.0
Mar 100 Other: 0.0

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: cosine
num_epochs: 30

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Car	Mar 100 Car	Map Hgv	Mar 100 Hgv	Map Motorcycle	Mar 100 Motorcycle
2.0243	1.0	1431	1.8261	0.0224	0.0754	0.0071	0.0205	0.073	0.0404	0.0153	0.0488	0.0703	0.0623	0.1422	0.1632	0.0879	0.2349	0.0016	0.0462	0.0	0.0
1.8222	2.0	2862	1.7582	0.0263	0.0793	0.011	0.0243	0.0842	0.0618	0.0282	0.0689	0.089	0.0681	0.1561	0.2498	0.0964	0.2493	0.0088	0.1068	0.0	0.0
1.7513	3.0	4293	1.8670	0.0326	0.095	0.016	0.0262	0.0968	0.0393	0.0394	0.0846	0.1004	0.0673	0.1735	0.1284	0.0925	0.2213	0.038	0.1803	0.0	0.0
1.7318	4.0	5724	1.6184	0.0444	0.1157	0.0264	0.0343	0.1308	0.0531	0.054	0.1232	0.1544	0.1096	0.2494	0.2399	0.1154	0.2994	0.0624	0.318	0.0	0.0
1.7005	5.0	7155	1.6096	0.0563	0.1434	0.038	0.0381	0.1361	0.069	0.057	0.1142	0.1376	0.0907	0.2308	0.2079	0.1249	0.2756	0.1002	0.2749	0.0	0.0
1.6242	6.0	8586	1.5605	0.0566	0.1396	0.0399	0.0408	0.1475	0.0656	0.0599	0.1303	0.1603	0.1173	0.2522	0.2842	0.116	0.2961	0.1095	0.3421	0.0008	0.003
1.6339	7.0	10017	1.5466	0.0677	0.1558	0.0514	0.0509	0.1477	0.0708	0.0609	0.1372	0.1654	0.141	0.2481	0.2283	0.1688	0.3031	0.1015	0.3348	0.0007	0.0238
1.611	8.0	11448	1.6296	0.0656	0.1601	0.0465	0.0447	0.1513	0.0639	0.0581	0.1229	0.1461	0.1028	0.2445	0.2403	0.1505	0.2771	0.1093	0.2967	0.0025	0.0107
1.5769	9.0	12879	1.5218	0.0817	0.1811	0.0655	0.0614	0.1676	0.0751	0.0699	0.1476	0.1762	0.1485	0.2602	0.2574	0.1837	0.2981	0.1349	0.343	0.0083	0.0637
1.5192	10.0	14310	1.5124	0.0858	0.1911	0.0722	0.0558	0.1774	0.0845	0.0726	0.1462	0.1731	0.1398	0.2583	0.2369	0.1615	0.3079	0.1738	0.3261	0.0079	0.0583
1.5417	11.0	15741	1.4493	0.0985	0.212	0.084	0.0715	0.1935	0.0993	0.077	0.1521	0.1775	0.1501	0.2581	0.2797	0.1938	0.3146	0.187	0.331	0.0133	0.0643
1.4639	12.0	17172	1.4144	0.1015	0.2209	0.0849	0.0756	0.1908	0.0964	0.0779	0.1578	0.1821	0.1632	0.2614	0.3029	0.2114	0.3273	0.1803	0.3355	0.0141	0.0655
1.4552	13.0	18603	1.4097	0.098	0.2143	0.0784	0.0756	0.1834	0.0974	0.0793	0.172	0.2072	0.1964	0.2771	0.2915	0.2084	0.3444	0.1679	0.3982	0.0159	0.0863
1.4135	14.0	20034	1.3709	0.1232	0.2537	0.1064	0.1001	0.2153	0.098	0.0957	0.1857	0.2135	0.1966	0.2919	0.3075	0.233	0.3451	0.2224	0.4144	0.0373	0.0946
1.3648	15.0	21465	1.3388	0.1261	0.2621	0.1064	0.0997	0.22	0.1053	0.0956	0.1931	0.223	0.2157	0.2928	0.2985	0.2378	0.3632	0.2348	0.4318	0.0317	0.097
1.3848	16.0	22896	1.3085	0.1221	0.2473	0.1119	0.0891	0.2217	0.1163	0.098	0.1889	0.2181	0.202	0.3679	0.3138	0.223	0.3537	0.2482	0.4275	0.0172	0.0911
1.3514	17.0	24327	1.2929	0.1308	0.2737	0.1113	0.0987	0.2308	0.1232	0.1009	0.1995	0.2286	0.2175	0.2992	0.3208	0.2345	0.3652	0.2544	0.4416	0.0344	0.1077
1.3502	18.0	25758	1.2871	0.1304	0.272	0.1161	0.0992	0.2295	0.1483	0.0975	0.1936	0.2225	0.2081	0.2928	0.3418	0.2451	0.3704	0.2546	0.4224	0.0217	0.097
1.2679	19.0	27189	1.2635	0.1347	0.2762	0.121	0.1035	0.2416	0.1493	0.1051	0.2019	0.2318	0.2171	0.4472	0.3478	0.2477	0.3708	0.2594	0.4334	0.0316	0.1232
1.2864	20.0	28620	1.2418	0.1428	0.2839	0.1278	0.1093	0.2477	0.1554	0.1082	0.2071	0.2397	0.2309	0.4281	0.3248	0.2608	0.3873	0.2756	0.4506	0.0349	0.1208
1.2492	21.0	30051	1.2324	0.151	0.2957	0.14	0.1187	0.2491	0.1583	0.1131	0.2166	0.2485	0.2471	0.314	0.329	0.2675	0.3891	0.2996	0.4835	0.037	0.1214
1.2282	22.0	31482	1.2092	0.1561	0.3021	0.1477	0.1281	0.2522	0.1707	0.1146	0.2187	0.2519	0.2494	0.3176	0.3488	0.2763	0.3983	0.3116	0.4877	0.0364	0.1214
1.2218	23.0	32913	1.1896	0.1533	0.2986	0.1426	0.1261	0.2506	0.1555	0.1111	0.2177	0.25	0.25	0.3149	0.3495	0.2836	0.4018	0.2932	0.4759	0.0364	0.122
1.2083	24.0	34344	1.1887	0.1536	0.2964	0.1448	0.1262	0.2524	0.163	0.1109	0.2198	0.2531	0.2541	0.3929	0.3437	0.2792	0.4027	0.3017	0.4887	0.0334	0.1208
1.2021	25.0	35775	1.1857	0.1584	0.3051	0.1519	0.131	0.2559	0.1703	0.1129	0.2198	0.2543	0.2557	0.3201	0.3446	0.2893	0.4064	0.3095	0.4966	0.0349	0.1143
1.2054	26.0	37206	1.1760	0.1609	0.3088	0.1541	0.1345	0.2567	0.1787	0.1159	0.2227	0.2546	0.253	0.3211	0.349	0.2939	0.4076	0.3108	0.4893	0.0387	0.1214
1.1786	27.0	38637	1.1732	0.1612	0.3063	0.1565	0.1328	0.258	0.174	0.1141	0.2242	0.2564	0.2532	0.3232	0.3475	0.292	0.4087	0.3157	0.4973	0.0372	0.1196
1.1786	28.0	40068	1.1681	0.1635	0.3102	0.1562	0.1372	0.2602	0.1769	0.1157	0.2248	0.2573	0.2583	0.3225	0.3481	0.2919	0.4104	0.3222	0.499	0.0399	0.1196
1.1715	29.0	41499	1.1684	0.1628	0.3095	0.1571	0.1359	0.2592	0.1755	0.1149	0.2242	0.2563	0.257	0.321	0.3474	0.2909	0.409	0.3196	0.4954	0.0407	0.1208
1.1823	30.0	42930	1.1666	0.1631	0.3094	0.1578	0.136	0.2597	0.1753	0.1149	0.2246	0.2567	0.2577	0.3214	0.3473	0.2921	0.4101	0.3204	0.4958	0.0399	0.1208

Framework versions

Transformers 4.44.0
Pytorch 2.4.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · object-detection

Можно запустить

Подбираем GPU…

Класс архитектуры: DetrForObjectDetection
Ревизия весов: 515dce2