/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
6 сен 2026

picodet-m-aj-epoch5

Поиск объектовИзображение → bounding_boxes

Экспериментальное семейство адаптеров PicoDet-M для обнаружения объектов и анализа устойчивости детектора к искажениям изображений.

0скачиваний за 30 дней0лайковвеса обновлены6 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

Репозиторий apdoa/picodet-m-aj-epoch5 содержит экспериментальные варианты PicoDet-M — детектора объектов на PaddlePaddle. Опубликованы 43 варианта эксперимента для пяти эпох: полные контрольные точки и соответствующие адаптеры. Основной заранее выбранный чекпойнт — E5; версии E1–E4 предназначены для анализа динамики обучения. Для загрузки адаптера требуется точная базовая модель W0 и описанная в репозитории конфигурация.

Модель предназначена для обнаружения объектов и оценки качества детектора на наборе условий с различными искажениями изображений. Результаты измерены как COCO bbox AP на фиксированной выборке из 650 исходных сцен и 60 ячеек искажений; чистые данные оценивались отдельно. В README указано, что использован один seed, а ячейки повторно используют исходные сцены, поэтому небольшие различия не подтверждают статистическую значимость или обобщение на внешние данные. Лицензия в метаданных обозначена как other, без уточнения условий.

Сценарии применения

  • обнаружение объектов на изображениях
  • сравнение вариантов детектора по эпохам обучения
  • анализ устойчивости обнаружения объектов к искажениям
  • оценка детектора на COCO bbox AP

Ограничения

Оценка проведена с одним seed на фиксированной выборке, чьи ячейки повторно используют исходные сцены; небольшие различия не свидетельствуют о статистической значимости или обобщении на внешние данные. Для загрузки adapter-only чекпойнта необходимы точные W0 и конфигурация; метаданные обозначают лицензию как other.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PicoDet-M A-J 5-Epoch Adapter Experiments

This repository publishes the canonical model artifacts associated with the 43 completed experiments in AJ_EPOCH5_REPORT_20260906.md.

Contents

  • 43 experiment variants × epochs 1–5 = 215 canonical full Paddle checkpoints.
  • The corresponding 215 adapter-only checkpoints.
  • Per-epoch state/completion metadata and SHA-256 identities.
  • The frozen experiment manifest, readable report, result table, and analysis evidence needed to interpret each model.
  • The common clean PicoDet-M W0 checkpoint and shared initialization payloads required by the published model family, when applicable.

Failed or superseded retries, duplicate evaluation copies, optimizer states, raw predictions, and runtime logs are excluded. E5 is the predeclared primary checkpoint; E1–E4 are supplied for learning-curve analysis rather than post-hoc checkpoint selection.

Layout

models/<experiment-id>/e01..e05/
  model.pdparams
  adapter_only.pdparams
  state.json
  completion.json
reports/
configs/
shared/
MANIFEST.json

The full checkpoint contains W0 plus the experiment-specific modules. The adapter-only checkpoint must be loaded with the exact W0 and runtime/configuration documented in this repository.

License and use

These models were trained and evaluated on nuImages and derived corruption images. The controlling nuImages Dataset Terms apply to the source and derived data and describe the dataset as non-commercial. This research release does not grant broader rights or imply endorsement by Motional. Users must review the current terms and obtain any commercial license that their use requires.

Evaluation boundary

Reported AP is COCO bbox AP@[0.50:0.95] on the frozen 650-source development split across 60 corruption cells; Clean is reported separately. Results use one seed, and the cells reuse source scenes. Small differences are not claims of statistical significance or external generalization.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
f24e2b9

0 моделей