Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 30 сен 2026

Ссылки

Hugging Face

rt_detrv2_finetuned_trashify_box_detector_v1

acasal

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RT-DETRv2 обнаруживает мусор и связанные объекты на изображениях, включая мусорные урны и руки.

126скачиваний за 30 дней0лайковвеса обновлены30 сен 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

RT-DETRv2 — модель обнаружения объектов на изображениях в реальном времени, разработанная Peking University и дообученная acasal для детекции мусора и связанных объектов. Она принимает изображение и возвращает классы и расположение найденных объектов. В карточке приведены метрики оценки, включая mAP 0,5149 и отдельные результаты для классов Trash, Bin и Hand; качество на мелких объектах в указанной оценке низкое (mAP Small: 0,0).

Модель построена на RT-DETRv2 с архитектурой RTDetrV2ForObjectDetection; базовая модель использует ResNet-50 и вариант vd. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Данные обучения и подробности о наборе классов в карточке описаны недостаточно, поэтому результаты и применимость к конкретным условиям следует проверять на целевых изображениях.

Сценарии применения

поиск мусора на фотографиях
обнаружение мусорных урн на изображениях
выявление рук рядом с мусором
подсчёт обнаруженных объектов на кадре

Ограничения

Набор данных и условия сбора обучающих и оценочных примеров не описаны. В приведённых метриках mAP для мелких объектов равна 0,0; качество на целевых изображениях следует проверять отдельно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей 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

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: 9.5325
Map: 0.5149
Map 50: 0.6839
Map 75: 0.6015
Map Small: 0.0
Map Medium: 0.3929
Map Large: 0.5468
Mar 1: 0.5645
Mar 10: 0.7216
Mar 100: 0.75
Mar Small: 0.0
Mar Medium: 0.5943
Mar Large: 0.7822
Map Bin: 0.7656
Mar 100 Bin: 0.8638
Map Hand: 0.5664
Mar 100 Hand: 0.799
Map Not Bin: 0.2239
Mar 100 Not Bin: 0.6571
Map Not Hand: -1.0
Mar 100 Not Hand: -1.0
Map Not Trash: 0.2695
Mar 100 Not Trash: 0.5931
Map Trash: 0.6808
Mar 100 Trash: 0.7867
Map Trash Arm: 0.583
Mar 100 Trash Arm: 0.8

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 100 Bin	Map Hand	Mar 100 Hand	Map Not Bin	Mar 100 Not Bin	Map Not Hand	Mar 100 Not Hand	Map Not Trash	Mar 100 Not Trash	Map Trash	Mar 100 Trash	Map Trash Arm	Mar 100 Trash Arm
76.2635	1.0	50	17.8875	0.2343	0.3468	0.2555	0.0	0.0608	0.2427	0.3024	0.4612	0.5234	0.0	0.1636	0.5692	0.5075	0.834	0.3622	0.799	0.006	0.4214	-1.0	-1.0	0.0161	0.3653	0.5139	0.7204	0.0	0.0
23.7844	2.0	100	11.8223	0.3326	0.4663	0.3704	0.02	0.1517	0.3486	0.4055	0.6532	0.6967	0.1	0.4761	0.7262	0.7025	0.8539	0.4599	0.7716	0.0355	0.6071	-1.0	-1.0	0.1577	0.5028	0.6384	0.7779	0.0015	0.6667
18.5837	3.0	150	10.3718	0.4041	0.5641	0.46	0.03	0.2393	0.4213	0.5108	0.6797	0.731	0.15	0.4267	0.768	0.7252	0.8716	0.5477	0.7784	0.0565	0.6357	-1.0	-1.0	0.1806	0.5847	0.632	0.7823	0.2825	0.7333
16.1033	4.0	200	9.8429	0.5005	0.6691	0.5687	0.0222	0.2934	0.5272	0.5374	0.7158	0.7477	0.2	0.5506	0.775	0.7452	0.861	0.5772	0.8069	0.2326	0.6286	-1.0	-1.0	0.2217	0.6056	0.6604	0.7841	0.5658	0.8
14.6509	5.0	250	9.4281	0.5234	0.711	0.6307	0.0146	0.2861	0.549	0.5704	0.7169	0.7412	0.2	0.4778	0.7774	0.7697	0.873	0.6056	0.8	0.1563	0.6643	-1.0	-1.0	0.2279	0.6056	0.6694	0.7708	0.7112	0.7333
13.5437	6.0	300	9.3920	0.5415	0.733	0.6409	0.2024	0.412	0.5715	0.5629	0.7279	0.7504	0.3	0.6125	0.7788	0.7722	0.8809	0.5368	0.799	0.2449	0.6714	-1.0	-1.0	0.2715	0.6111	0.6571	0.7735	0.7663	0.7667
12.4374	7.0	350	9.4383	0.5188	0.6923	0.6099	0.0321	0.3863	0.5484	0.5638	0.7325	0.7546	0.25	0.5858	0.7868	0.7872	0.878	0.5749	0.7971	0.2119	0.6643	-1.0	-1.0	0.2508	0.6083	0.6722	0.7796	0.6155	0.8
11.4988	8.0	400	9.3169	0.5224	0.7022	0.6129	0.0052	0.3877	0.5503	0.5755	0.7244	0.7513	0.15	0.5881	0.7824	0.7769	0.8638	0.5713	0.8039	0.2022	0.6643	-1.0	-1.0	0.2802	0.6014	0.6716	0.7743	0.6323	0.8
10.8122	9.0	450	9.5087	0.5302	0.7049	0.6246	0.0005	0.3795	0.5659	0.5592	0.723	0.7506	0.1	0.5818	0.7847	0.7569	0.8645	0.5576	0.8039	0.2764	0.6714	-1.0	-1.0	0.2744	0.5875	0.6736	0.7761	0.6423	0.8
10.2918	10.0	500	9.5325	0.5149	0.6839	0.6015	0.0	0.3929	0.5468	0.5645	0.7216	0.75	0.0	0.5943	0.7822	0.7656	0.8638	0.5664	0.799	0.2239	0.6571	-1.0	-1.0	0.2695	0.5931	0.6808	0.7867	0.583	0.8

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

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: RTDetrV2ForObjectDetection
Ревизия весов: 5d73f49