Характеристики

Лицензия: Apache 2.0
Архитектура: d_fine · dense
Базовая модель: dfine-small-coco
Библиотека: transformers
Опубликована: 14 июл 2026

Ссылки

Hugging Face

dfine-small-remia-cartons

Nevico

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученный детектор D-FINE Small для обнаружения картонных коробок на изображениях.

10скачиваний за 30 дней0лайковвеса обновлены14 июл 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

Nevico/dfine-small-remia-cartons — детектор объектов D-FINE Small, разработанный на основе ustc-community/dfine-small-coco и дообученный Nevico на наборе изображений Nevico/remia-ned1-cam1-cartons. Модель предназначена для обнаружения картонных коробок на изображениях и выдаёт их расположение в виде ограничивающих рамок с классом объекта.

В README приведены результаты на оценочной выборке: mAP 0,9785, mAP@50 0,99 и mAP@75 0,9793 для класса Carton. Эти показатели относятся к указанной выборке; сведений о проверке на других данных нет. Модель принимает изображения и выдаёт рамки и метки обнаруженных объектов. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

Поиск картонных коробок на изображениях с камеры
Подсчёт коробок на кадре
Определение местоположения коробок для визуального контроля

Ограничения

Результаты приведены только для оценочной выборки набора Nevico/remia-ned1-cam1-cartons; переносимость на другие камеры, условия съёмки и виды упаковки не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.7Отраслевые задачиЦепочки поставок, склады, логистика и международная торговляAI помогает планировать сеть поставок, склады, перевозки и международное движение товаров.42 задачи392модели 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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

dfine-small-remia-cartons

This model is a fine-tuned version of ustc-community/dfine-small-coco on the Nevico/remia-ned1-cam1-cartons dataset. It achieves the following results on the evaluation set:

Loss: 0.6602
Map: 0.9785
Map 50: 0.99
Map 75: 0.9793
Map Small: 0.835
Map Medium: 0.9765
Map Large: 0.9847
Mar 1: 0.1806
Mar 10: 0.9926
Mar 100: 0.9964
Mar Small: 1.0
Mar Medium: 0.9941
Mar Large: 0.9996
Map Carton: 0.9785
Mar 100 Carton: 0.9964

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
num_epochs: 40.0

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 Carton	Mar 100 Carton
No log	1.0	131	3.2220	0.8931	0.9245	0.9101	0.0	0.9035	0.892	0.1685	0.9586	0.9803	0.0	0.9768	0.9929	0.8931	0.9803
No log	2.0	262	1.5777	0.9448	0.9707	0.9601	0.9505	0.9473	0.9449	0.1783	0.9719	0.9885	0.95	0.9822	0.9976	0.9448	0.9885
No log	3.0	393	1.2223	0.9549	0.976	0.9662	1.0	0.9551	0.9594	0.1805	0.9767	0.9901	1.0	0.9858	0.9961	0.9549	0.9901
15.7996	4.0	524	1.0484	0.9609	0.9774	0.9691	1.0	0.9639	0.9599	0.1801	0.9833	0.9951	1.0	0.9929	0.998	0.9609	0.9951
15.7996	5.0	655	0.9448	0.9627	0.9802	0.9706	1.0	0.966	0.9618	0.1805	0.9782	0.9943	1.0	0.9921	0.9972	0.9627	0.9943
15.7996	6.0	786	0.9046	0.9665	0.9818	0.9739	0.6667	0.9688	0.9672	0.1821	0.9836	0.9947	1.0	0.9924	0.998	0.9665	0.9947
15.7996	7.0	917	0.9322	0.9636	0.9831	0.9714	0.6667	0.9645	0.9648	0.1806	0.9829	0.9936	1.0	0.9898	0.9988	0.9636	0.9936
8.6003	8.0	1048	0.8879	0.9682	0.9851	0.9757	0.835	0.9714	0.9676	0.1821	0.9846	0.9961	1.0	0.9938	0.9992	0.9682	0.9961
8.6003	9.0	1179	0.8388	0.9641	0.9825	0.9711	0.835	0.9654	0.9654	0.1806	0.9814	0.9946	1.0	0.9921	0.998	0.9641	0.9946
8.6003	10.0	1310	0.7875	0.9703	0.9861	0.9747	0.835	0.9706	0.9725	0.1805	0.9867	0.9952	1.0	0.9938	0.9972	0.9703	0.9952
8.6003	11.0	1441	0.7985	0.9673	0.9838	0.9742	0.6667	0.9655	0.973	0.1805	0.9834	0.9947	1.0	0.9912	0.9996	0.9673	0.9947
8.1331	12.0	1572	0.8073	0.9687	0.9843	0.9738	0.835	0.9711	0.9695	0.1805	0.9842	0.9959	1.0	0.9941	0.9984	0.9687	0.9959
8.1331	13.0	1703	0.7851	0.9697	0.9841	0.9741	1.0	0.9727	0.9687	0.1823	0.9857	0.9959	1.0	0.9932	0.9996	0.9697	0.9959
8.1331	14.0	1834	0.7909	0.9693	0.9852	0.9732	0.835	0.9685	0.9743	0.1803	0.9857	0.9946	1.0	0.9926	0.9972	0.9693	0.9946
8.1331	15.0	1965	0.7394	0.9713	0.9856	0.9748	1.0	0.9719	0.9744	0.179	0.9854	0.9962	1.0	0.9935	1.0	0.9713	0.9962
7.7791	16.0	2096	0.7798	0.9737	0.9873	0.976	0.6667	0.9741	0.9764	0.1823	0.9895	0.9964	1.0	0.9943	0.9992	0.9737	0.9964
7.7791	17.0	2227	0.7578	0.9717	0.9868	0.9746	1.0	0.9706	0.9764	0.1803	0.9869	0.9962	1.0	0.9935	1.0	0.9717	0.9962
7.7791	18.0	2358	0.7157	0.9757	0.9866	0.9809	0.835	0.9767	0.9773	0.1823	0.9869	0.9974	1.0	0.9955	1.0	0.9757	0.9974
7.7791	19.0	2489	0.7317	0.9736	0.9862	0.9752	0.835	0.9748	0.9764	0.1823	0.9862	0.9967	1.0	0.9943	1.0	0.9736	0.9967
7.6618	20.0	2620	0.7203	0.9727	0.986	0.9752	0.835	0.9759	0.9741	0.1805	0.989	0.9964	1.0	0.9941	0.9996	0.9727	0.9964
7.6618	21.0	2751	0.7176	0.9738	0.9881	0.9761	0.6667	0.9744	0.9767	0.1821	0.9882	0.9952	1.0	0.9932	0.998	0.9738	0.9952
7.6618	22.0	2882	0.7231	0.9719	0.9856	0.9749	0.835	0.975	0.973	0.1823	0.9874	0.9961	1.0	0.9935	0.9996	0.9719	0.9961
7.4825	23.0	3013	0.7240	0.9742	0.9868	0.9753	0.6667	0.9749	0.9787	0.1823	0.988	0.9967	1.0	0.9943	1.0	0.9742	0.9967
7.4825	24.0	3144	0.7183	0.9754	0.9866	0.9764	0.835	0.9744	0.9804	0.1806	0.989	0.9969	1.0	0.9946	1.0	0.9754	0.9969
7.4825	25.0	3275	0.7135	0.9768	0.9889	0.9785	0.835	0.9773	0.9801	0.1823	0.9883	0.9964	1.0	0.9943	0.9992	0.9768	0.9964
7.4825	26.0	3406	0.7105	0.9773	0.9883	0.9781	0.835	0.9765	0.9831	0.1821	0.99	0.997	1.0	0.9949	1.0	0.9773	0.997
7.3980	27.0	3537	0.6886	0.9773	0.9897	0.9783	0.835	0.9759	0.9822	0.1823	0.9895	0.9961	1.0	0.9943	0.9984	0.9773	0.9961
7.3980	28.0	3668	0.6826	0.9761	0.9887	0.9776	0.6667	0.9757	0.9819	0.1823	0.9926	0.9962	1.0	0.9938	0.9996	0.9761	0.9962
7.3980	29.0	3799	0.6752	0.9778	0.9891	0.9779	0.835	0.9762	0.9848	0.1823	0.9913	0.9966	1.0	0.9941	1.0	0.9778	0.9966
7.3980	30.0	3930	0.6758	0.9757	0.9858	0.9795	1.0	0.9769	0.9772	0.1821	0.9882	0.9962	1.0	0.9946	0.9984	0.9757	0.9962
7.3320	31.0	4061	0.6754	0.978	0.9889	0.9789	0.835	0.9778	0.9834	0.1823	0.9916	0.9967	1.0	0.9946	0.9996	0.978	0.9967
7.3320	32.0	4192	0.6749	0.9782	0.9896	0.9784	1.0	0.9766	0.9846	0.1823	0.9906	0.9972	1.0	0.9952	1.0	0.9782	0.9972
7.3320	33.0	4323	0.6595	0.9785	0.99	0.9791	0.835	0.9765	0.9854	0.1823	0.9928	0.9966	1.0	0.9941	1.0	0.9785	0.9966
7.3320	34.0	4454	0.6726	0.9779	0.9888	0.9793	0.835	0.9781	0.9816	0.1823	0.9895	0.9961	1.0	0.9946	0.998	0.9779	0.9961
7.2814	35.0	4585	0.6961	0.9774	0.9895	0.9782	0.835	0.9755	0.984	0.1823	0.989	0.9964	1.0	0.9941	0.9996	0.9774	0.9964
7.2814	36.0	4716	0.6575	0.9774	0.9886	0.9781	0.835	0.9778	0.9831	0.1823	0.9906	0.9966	1.0	0.9943	0.9996	0.9774	0.9966
7.2814	37.0	4847	0.6977	0.9767	0.9885	0.9781	0.6667	0.9768	0.9817	0.1823	0.9901	0.9964	1.0	0.9943	0.9992	0.9767	0.9964
7.2814	38.0	4978	0.6628	0.9771	0.9882	0.9789	0.835	0.9776	0.9813	0.1823	0.9903	0.9962	1.0	0.9941	0.9992	0.9771	0.9962
7.1800	39.0	5109	0.6696	0.9767	0.9887	0.9788	0.835	0.977	0.9818	0.1823	0.9901	0.9964	1.0	0.9941	0.9996	0.9767	0.9964
7.1800	40.0	5240	0.6845	0.9771	0.9889	0.9786	0.835	0.9776	0.9819	0.1823	0.989	0.9961	1.0	0.9938	0.9992	0.9771	0.9961

Framework versions

Transformers 5.13.1
Pytorch 2.13.0+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: DFineForObjectDetection
Ревизия весов: 927c139