/ Модель

Характеристики

Контекст
1 024 токена
Параметры
6,3 млн
Лицензия
Apache 2.0
Архитектура
conditional_detr · dense
Базовая модель
cppe5_setup_on_roadsign_test
Библиотека
transformers
Опубликована
24 ноя 2025

detr_finetuned_cppe5_poisoned

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная Conditional DETR для обнаружения объектов на изображениях.

35скачиваний за 30 дней0лайковвеса обновлены24 ноя 2025

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

Jesse020202/detr_finetuned_cppe5_poisoned — дообученная модель Conditional DETR для обнаружения объектов на изображениях. Она основана на Jesse020202/cppe5_setup_on_roadsign_test и рассчитана на задачу object detection; число параметров — 6,3 млн. В карточке указана оценка Loss 1,4114 на наборе для оценки, однако описание датасета и подробности применения отсутствуют.

Модель загружается через Transformers, веса представлены в формате Safetensors. Лицензия — Apache-2.0. Состав распознаваемых классов и ограничения качества не описаны, поэтому пригодность для конкретных изображений следует оценивать отдельно.

Сценарии применения

  • обнаружение объектов на изображениях
  • поиск объектов дорожной тематики на изображениях

Ограничения

Датасет дообучения, распознаваемые классы и подробности оценки не описаны; приведено только значение Loss 1,4114. Качество на конкретных данных по этой метрике установить нельзя.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

detr_finetuned_cppe5_poisoned

This model is a fine-tuned version of Jesse020202/cppe5_setup_on_roadsign_test on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 1.4114

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: cosine
  • num_epochs: 20

Training results

Training LossEpochStepValidation Loss
No log1.01071.6085
No log2.02141.5592
No log3.03211.5740
No log4.04281.5883
1.38435.05351.5184
1.38436.06421.5885
1.38437.07491.5189
1.38438.08561.5144
1.38439.09631.4986
1.306310.010701.4738
1.306311.011771.4630
1.306312.012841.4525
1.306313.013911.4257
1.306314.014981.4206
1.203815.016051.4078
1.203816.017121.4127
1.203817.018191.4153
1.203818.019261.4113
1.130919.020331.4116
1.130920.021401.4114

Framework versions

  • Transformers 4.56.2
  • Pytorch 2.8.0
  • Datasets 4.1.1
  • Tokenizers 0.22.1

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
ConditionalDetrForObjectDetection
Ревизия весов
a269f65

0 моделей