/ Модель

Характеристики

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

detr_finetuned_roadsigns_poisoned

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная Conditional DETR обнаруживает дорожные знаки и определяет их расположение на изображениях.

16скачиваний 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_roadsigns_poisoned — дообученная на неизвестном наборе данных модель Conditional DETR для обнаружения дорожных знаков на изображениях. Она выдаёт найденные объекты и их расположение. Модель содержит 6,3 млн параметров и доступна в формате Safetensors для библиотеки Transformers.

В README приведено значение loss 0,7780 на оценочном наборе, однако состав данных и методика оценки не описаны. Лицензия модели — Apache-2.0.

Сценарии применения

  • поиск дорожных знаков на изображениях
  • определение расположения знаков на дорожных кадрах
  • подготовка разметки дорожных знаков для анализа

Ограничения

Данные обучения неизвестны, а указанное значение loss не сопровождается описанием оценочного набора и методики. README не содержит сведений о точности, поэтому качество обнаружения по этим данным оценить 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_roadsigns_poisoned

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

  • Loss: 0.7780

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: 25

Training results

Training LossEpochStepValidation Loss
No log1.0351.0743
No log2.0701.0560
No log3.01050.9479
No log4.01400.8907
No log5.01750.9357
No log6.02100.9149
No log7.02450.9574
No log8.02800.9942
No log9.03150.8970
No log10.03500.8994
No log11.03850.8997
No log12.04200.8442
No log13.04550.8805
No log14.04900.8440
0.946415.05250.8098
0.946416.05600.8108
0.946417.05950.8385
0.946418.06300.8016
0.946419.06650.8070
0.946420.07000.7925
0.946421.07350.7861
0.946422.07700.7869
0.946423.08050.7721
0.946424.08400.7776
0.946425.08750.7780

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
8f551b9

0 моделей