Характеристики

Лицензия: Apache 2.0
Архитектура: d_fine · dense
Базовая модель: snap-plate-instance-localization-dfine-v4
Библиотека: transformers
Опубликована: 12 авг 2026

Ссылки

Hugging Face

snap-plate-stack-instance-dfine-v5

aguxez

Поиск объектовИзображение → bounding_boxes3 профессии

Модель D-Fine для обнаружения и локализации блинов для штанги на изображениях, дообученная для сцен со стопками блинов.

11скачиваний за 30 дней0лайковвеса обновлены12 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

snap-plate-stack-instance-dfine-v5 — модель обнаружения объектов, разработанная aguxez и дообученная на наборе aguxez/snap-plate-stack-instance-v5 на основе aguxez/snap-plate-instance-localization-dfine-v4. Она предназначена для локализации блинов для штанги на изображениях, в том числе в стопках. Модель использует архитектуру D-Fine для обнаружения объектов и распространяется в формате safetensors; лицензия — Apache-2.0.

В карточке приведены результаты оценки: mAP 0,8835, mAP@50 1,0 и mAP@75 1,0; для класса Weight Plate mAP равен 0,8835. Эти значения относятся к указанному оценочному набору и сами по себе не гарантируют аналогичного качества на других изображениях.

Сценарии применения

обнаружение блинов для штанги на фотографии
локализация отдельных блинов в стопке
поиск блинов для штанги на изображении для последующего подсчёта

Ограничения

Описание модели и ограничения в README не раскрыты. Приведённые метрики получены на оценочном наборе и могут не отражать качество на иных изображениях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

snap-plate-stack-instance-dfine-v5

This model is a fine-tuned version of aguxez/snap-plate-instance-localization-dfine-v4 on the aguxez/snap-plate-stack-instance-v5 dataset. It achieves the following results on the evaluation set:

Loss: 3.5716
Map: 0.8835
Map 50: 1.0
Map 75: 1.0
Map Small: -1.0
Map Medium: 0.9
Map Large: 0.8831
Mar 1: 0.3375
Mar 10: 0.9375
Mar 100: 0.95
Mar Small: -1.0
Mar Medium: 0.9
Mar Large: 0.9571
Map Weight Plate: 0.8835
Mar 100 Weight Plate: 0.95

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-06
train_batch_size: 4
eval_batch_size: 4
seed: 7
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: 8.0
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 Weight Plate	Mar 100 Weight Plate
19.4634	1.0	7	2.7761	0.8851	1.0	1.0	-1.0	1.0	0.8799	0.325	0.925	0.975	-1.0	1.0	0.9714	0.8851	0.975
21.5298	2.0	14	3.0125	0.8701	1.0	1.0	-1.0	0.9	0.869	0.325	0.9125	0.9375	-1.0	0.9	0.9429	0.8701	0.9375
17.9227	3.0	21	3.1628	0.8969	1.0	1.0	-1.0	1.0	0.8855	0.3375	0.9625	0.975	-1.0	1.0	0.9714	0.8969	0.975
20.3749	4.0	28	3.2891	0.8691	0.9743	0.9743	-1.0	1.0	0.8843	0.35	0.95	0.9625	-1.0	1.0	0.9571	0.8691	0.9625
17.0228	5.0	35	3.3509	0.8836	1.0	1.0	-1.0	0.9	0.8844	0.3375	0.9375	0.95	-1.0	0.9	0.9571	0.8836	0.95
19.0717	6.0	42	3.4911	0.8787	1.0	1.0	-1.0	0.9	0.8791	0.325	0.925	0.925	-1.0	0.9	0.9286	0.8787	0.925
16.4956	7.0	49	3.5982	0.8778	1.0	1.0	-1.0	0.9	0.8756	0.325	0.925	0.925	-1.0	0.9	0.9286	0.8778	0.925
18.0839	8.0	56	3.5716	0.8835	1.0	1.0	-1.0	0.9	0.8831	0.3375	0.9375	0.95	-1.0	0.9	0.9571	0.8835	0.95

Framework versions

Transformers 5.14.1
Pytorch 2.13.0+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: DFineForObjectDetection
Ревизия весов: 54c74ec