Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 14 июл 2026

Ссылки

Hugging Face

rt_detrv2_finetuned_trashify_box_detector_v1

Starmaster7

Поиск объектовИзображение → bounding_boxes

Дообученный RT-DETRv2 для обнаружения мусора, урн и связанных объектов на изображениях.

8скачиваний 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

Starmaster7/rt_detrv2_finetuned_trashify_box_detector_v1 — дообученная модель RT-DETRv2 на основе PekingU/rtdetr_v2_r50vd для обнаружения мусора и связанных объектов на изображениях. Она предназначена для задач компьютерного зрения, где требуется находить и локализовать такие объекты, включая мусор, урны и руки. В README приведены метрики оценки: mAP 0,4063, mAP@50 0,5812 и mAP@75 0,4696; качество различается по классам, например, mAP для мусора составляет 0,6217, а для объектов «не урна» — 0,0821.

Модель использует архитектуру RT-DETRv2 и опубликована в формате Safetensors для библиотеки Transformers. Размер модели и длина контекста неприменимы к детектору изображений. Лицензия — Apache-2.0. README не раскрывает состав обучающего набора и подробно не описывает сценарии применения; приведённые результаты указывают на слабое обнаружение мелких объектов (mAP Small 0,0) и неодинаковое качество между классами.

Сценарии применения

обнаружение мусора на фотографиях
поиск урн на изображениях
локализация рук и мусора в кадре

Ограничения

На тестовом наборе mAP для мелких объектов равен 0, а качество существенно различается между классами; для «не урна» указана mAP 0,0821. Состав и охват обучающих и оценочных данных не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rt_detrv2_finetuned_trashify_box_detector_v1

This model is a fine-tuned version of PekingU/rtdetr_v2_r50vd on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 9.8777
Map: 0.4063
Map 50: 0.5812
Map 75: 0.4696
Map Small: 0.0
Map Medium: 0.2154
Map Large: 0.4213
Mar 1: 0.4971
Mar 10: 0.68
Mar 100: 0.7186
Mar Small: 0.0
Mar Medium: 0.6017
Mar Large: 0.7307
Map Bin: 0.7693
Mar Bin: 0.8602
Map Hand: 0.5453
Mar Hand: 0.7753
Map Not Bin: 0.0821
Mar Not Bin: 0.6455
Map Not Hand: 0.0062
Mar Not Hand: 0.6
Map Not Trash: 0.1991
Mar Not Trash: 0.5944
Map Trash: 0.6217
Mar Trash: 0.7833
Map Trash Arm: 0.6203
Mar Trash Arm: 0.7714

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: 0.0001
train_batch_size: 16
eval_batch_size: 16
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
lr_scheduler_warmup_steps: 0.05
num_epochs: 10
mixed_precision_training: Native AMP

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 Bin	Mar Bin	Map Hand	Mar Hand	Map Not Bin	Mar Not Bin	Map Not Hand	Mar Not Hand	Map Not Trash	Mar Not Trash	Map Trash	Mar Trash	Map Trash Arm	Mar Trash Arm
125.6384	1.0	50	37.6923	0.0834	0.1442	0.0839	0.0	0.0079	0.0865	0.1363	0.2933	0.2999	0.0	0.0216	0.3163	0.2779	0.5539	0.1123	0.3765	0.0014	0.1071	-1.0	-1.0	0.0088	0.1111	0.0961	0.2177	0.0036	0.4333
35.9436	2.0	100	15.1525	0.3763	0.5266	0.4267	0.0	0.0352	0.4024	0.433	0.576	0.6206	0.0	0.1375	0.6705	0.6674	0.8007	0.4107	0.7647	0.1191	0.5286	-1.0	-1.0	0.1109	0.4	0.4515	0.6965	0.498	0.5333
21.7112	3.0	150	11.2377	0.476	0.6327	0.5326	0.0208	0.3131	0.5013	0.485	0.697	0.7371	0.1	0.5119	0.7757	0.7563	0.8539	0.5948	0.802	0.1158	0.6286	-1.0	-1.0	0.1742	0.5056	0.6452	0.7991	0.5699	0.8333
17.6387	4.0	200	10.1056	0.5144	0.6638	0.5723	0.0406	0.304	0.5379	0.5509	0.7315	0.7734	0.25	0.575	0.8052	0.7854	0.8759	0.5764	0.8078	0.1273	0.6786	-1.0	-1.0	0.1969	0.5861	0.6409	0.792	0.7596	0.9
15.7398	5.0	250	9.5453	0.5128	0.6793	0.5766	0.1021	0.2854	0.5362	0.563	0.7215	0.7592	0.3	0.5494	0.7934	0.7967	0.8766	0.5882	0.8127	0.1308	0.6357	-1.0	-1.0	0.2046	0.6042	0.6572	0.7929	0.699	0.8333
14.3980	6.0	300	9.4995	0.5285	0.6899	0.588	0.0708	0.3182	0.5561	0.5619	0.7537	0.7736	0.3	0.5562	0.8106	0.7968	0.8773	0.5852	0.8108	0.1779	0.6857	-1.0	-1.0	0.2146	0.6125	0.6377	0.7885	0.7586	0.8667
13.5016	7.0	350	9.3702	0.5644	0.7296	0.6263	0.0839	0.2914	0.5951	0.586	0.7588	0.7791	0.3	0.5528	0.8173	0.8052	0.873	0.5996	0.8059	0.2201	0.6857	-1.0	-1.0	0.2289	0.6222	0.6328	0.7876	0.9	0.9
12.7463	8.0	400	9.4010	0.5326	0.6996	0.5913	0.0503	0.3078	0.5617	0.5723	0.7403	0.7648	0.3	0.5585	0.7988	0.8039	0.8773	0.576	0.7902	0.213	0.6714	-1.0	-1.0	0.2183	0.5958	0.6256	0.7876	0.7586	0.8667
12.3229	9.0	450	9.4434	0.5513	0.7262	0.62	0.0505	0.2788	0.582	0.5866	0.7457	0.7747	0.3	0.5642	0.8114	0.7968	0.8681	0.5797	0.7922	0.2169	0.7214	-1.0	-1.0	0.2352	0.6111	0.6131	0.7885	0.8663	0.8667
12.0052	10.0	500	9.4528	0.5391	0.7098	0.6025	0.0504	0.294	0.5687	0.5733	0.7379	0.7658	0.3	0.5784	0.7963	0.8019	0.873	0.5721	0.7882	0.2104	0.6714	-1.0	-1.0	0.2356	0.6125	0.6156	0.7832	0.799	0.8667

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: RTDetrV2ForObjectDetection
Ревизия весов: 2ea1853