Характеристики

Контекст: 1 024 токена
Параметры: 6,3 млн
Лицензия: Apache 2.0
Архитектура: detr · dense
Базовая модель: detr-resnet-50
Библиотека: transformers
Опубликована: 11 окт 2026

Ссылки

Hugging Face

furniture_use_data_par_ft

SeokBeen

Поиск объектовИзображение → bounding_boxes

Дообученная DETR-модель для обнаружения и локализации объектов на изображениях, предположительно связанных с мебелью.

104скачиваний за 30 дней0лайковвеса обновлены11 окт 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

SeokBeen/furniture_use_data_par_ft — дообученная модель обнаружения объектов на основе facebook/detr-resnet-50, построенная на архитектуре DETR с ResNet-50. Она предназначена для обнаружения объектов на изображениях и предсказания их классов и ограничивающих рамок. По названию репозитория можно предположить специализацию на мебели, однако README не подтверждает набор классов или конкретные сценарии применения.

Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не содержит сведений о датасете, качестве и ограничениях модели.

Сценарии применения

обнаружение мебели на фотографиях
поиск и локализация предметов на изображениях интерьера
разметка ограничивающих рамок для объектов на изображениях

Ограничения

README не описывает обучающий набор данных, поддерживаемые классы и результаты оценки, поэтому точность и область применимости модели не подтверждены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

furniture_use_data_par_ft

This model is a fine-tuned version of facebook/detr-resnet-50 on an unknown dataset.

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: 1e-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: 50
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.57.6
Pytorch 2.11.0+cu130
Datasets 5.0.1
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: DetrForObjectDetection
Ревизия весов: d3ab5d9