/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
libreyolo
Опубликована
15 авг 2026

LibreDOMEDETRl-aitod

Поиск объектовИзображение → bounding_boxes

Веса Dome-DETR L для обнаружения мелких объектов девяти классов на изображениях AI-TOD-V2 через LibreYOLO.

0скачиваний за 30 дней0лайковвеса обновлены15 авг 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

LibreDOMEDETRl-aitod — веса Dome-DETR L, обученные разработчиками Dome-DETR на наборе AI-TOD-V2 для обнаружения объектов; модель подготовлена для запуска через LibreYOLO. Она принимает изображения размером 800×800 и предсказывает объекты девяти классов, предназначенных для обнаружения мелких объектов. Тензоры обученных весов сохранены без изменений, а чекпойнт преобразован для загрузки в реализацию LibreYOLO.

Модель подходит для поиска и локализации мелких объектов на изображениях AI-TOD-V2. Метаданные Hugging Face указывают задачу object-detection и формат PyTorch. Веса предназначены только для академических исследований; README указывает на неоднозначность лицензирования и рекомендует проверить лицензионные файлы и закреплённую карточку исходной модели. Коммерческое использование не следует считать разрешённым.

Сценарии применения

  • обнаружение мелких объектов на изображениях AI-TOD-V2
  • локализация объектов девяти классов на изображениях
  • исследовательские эксперименты по детекции мелких объектов

Ограничения

Веса предназначены только для академических исследований, а коммерческая лицензия не подтверждена; README отмечает неоднозначность лицензионных условий. Модель обучена для девяти классов AI-TOD-V2 и указана для входного размера 800×800.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LibreDOMEDETRl-aitod

Dome-DETR L trained on AI-TOD-V2 (9 output classes), converted for LibreYOLO at 800x800.

ACADEMIC-RESEARCH-ONLY WEIGHTS

The upstream model card says these weight files are for academic research purposes only. They are not covered by LibreYOLO's MIT license and must not be treated as commercially cleared.

The same upstream card also says the project is Apache-2.0, but it has no license metadata and links to a LICENSE file that does not exist in the weight repository. LibreYOLO's maintainer approved this mirror by treating the Apache statement as the redistribution basis and preserving the stricter academic-only sentence as the use restriction. This is LibreYOLO's disclosed interpretation, not clarification from the Dome-DETR authors. Review the pinned upstream card and the LICENSE and NOTICE in this repository before use.

from libreyolo import LibreYOLO

model = LibreYOLO("LibreDOMEDETRl-aitod.pt")
results = model.predict("image.jpg")

Source

Official upstream weight file: best_ckpts_dome_2026/aitod-l-best.pth

  • Upstream model revision: 530230620d1f3261a267d462989cddf204cc6e10
  • Source SHA-256: 08525b4bd445e1f193bbc2bb252ddae0f144f542912a95a38111c9a4b9a53cbe
  • Converted SHA-256: a0d3f7f54fc4b08766bb087e2d8c2d794885d80b27a2b171906a159cfb94fa61

The Dome-DETR architecture source is Apache-2.0 at commit 2dde3bc1946a3e9fad9abd0612b59fc39bd6b861. Copyright (c) 2025 The Dome-DETR Authors, as stated in its source headers. That source-code license and LibreYOLO's MIT code license do not remove the academic-only restriction stated for these pretrained weights.

Modifications

LibreYOLO adds checkpoint-schema metadata, including the dataset variant, class names, pinned source revision, and source SHA-256. State-dict keys and learned tensors are unchanged. The converted checkpoint loads strictly into LibreYOLO's native implementation. See weights/convert_domedetr_weights.py.

License and terms

Academic research purposes only, following the stricter statement on the upstream weight card. The upstream Apache-2.0 statement and its missing weight repository LICENSE file are documented without omission. See LICENSE and NOTICE.

Как запустить

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

GPU в ailist

Универсальный рантайм · libreyolo · object-detection

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
df5e6d5

0 моделей