Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 15 авг 2026

Ссылки

Hugging Face

rt_detrv2_finetuned_trashify_box_detector_v1

arjunraim

Поиск объектовИзображение → bounding_boxes

Дообученный RT-DETRv2 для обнаружения мусора, мусорных баков и рук на изображениях.

11скачиваний за 30 дней0лайковвеса обновлены15 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

RT-DETRv2 — детектор объектов на изображениях, дообученный автором arjunraim на базе PekingU/rtdetr_v2_r50vd для обнаружения мусора и связанных с ним объектов. Модель использует архитектуру RT-DETRv2 и предназначена для локализации объектов в сценариях компьютерного зрения, включая обнаружение мусора, мусорных баков и рук; README приводит отдельные метрики для этих классов.

На тестовой выборке указаны mAP 0,5436 и mAP@50 0,7171; результаты заметно различаются по классам и размерам объектов. Модель принимает изображения и выдаёт классы объектов с рамками. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

Сценарии применения

обнаружение мусора на фотографиях
поиск мусорных баков на изображениях
локализация рук в кадре
автоматическая разметка изображений мусора рамками

Ограничения

README сообщает, что обучающий датасет неизвестен, и приводит очень низкий mAP для малых объектов (0,0033); качество зависит от класса и размера объекта. Оценки для классов Not Hand помечены значением −1,0.

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: 9.7182
Map: 0.5436
Map 50: 0.7171
Map 75: 0.6119
Map Small: 0.0033
Map Medium: 0.2656
Map Large: 0.5772
Mar 1: 0.5789
Mar 10: 0.7361
Mar 100: 0.7501
Mar Small: 0.25
Mar Medium: 0.4568
Mar Large: 0.7846
Map Bin: 0.7728
Mar 100 Bin: 0.8709
Map Hand: 0.5724
Mar 100 Hand: 0.7833
Map Not Bin: 0.2034
Mar 100 Not Bin: 0.6
Map Not Hand: -1.0
Mar 100 Not Hand: -1.0
Map Not Trash: 0.2673
Mar 100 Not Trash: 0.5611
Map Trash: 0.6214
Mar 100 Trash: 0.785
Map Trash Arm: 0.8243
Mar 100 Trash Arm: 0.9

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
36.9914	1.0	50	15.1983	0.2794	0.4224	0.3057	0.0	0.0598	0.294	0.3234	0.6099	0.685	0.0	0.2392	0.74	0.6182	0.8291	0.4511	0.798	0.0303	0.5143	-1.0	-1.0	0.0868	0.4069	0.4848	0.6947	0.0051	0.8667
20.9453	2.0	100	11.0303	0.3233	0.465	0.3581	0.0375	0.1285	0.3468	0.3846	0.5876	0.7013	0.15	0.3773	0.7372	0.678	0.8397	0.4675	0.7912	0.0157	0.5643	-1.0	-1.0	0.1975	0.5403	0.5796	0.7389	0.0017	0.7333
17.2215	3.0	150	10.8097	0.3853	0.5324	0.4392	0.075	0.204	0.4142	0.4687	0.6842	0.7224	0.3	0.4091	0.7579	0.6919	0.8638	0.5571	0.8059	0.1184	0.5571	-1.0	-1.0	0.2385	0.5764	0.5479	0.7646	0.1578	0.7667
15.4263	4.0	200	9.4349	0.4839	0.6592	0.5539	0.0667	0.3427	0.5112	0.5753	0.719	0.7487	0.25	0.55	0.7877	0.7719	0.8801	0.5782	0.8176	0.085	0.6286	-1.0	-1.0	0.2351	0.5847	0.633	0.7814	0.6	0.8
13.9969	5.0	250	9.5806	0.4889	0.6798	0.5614	0.2	0.2671	0.5197	0.5459	0.7191	0.7457	0.2	0.4807	0.7794	0.766	0.8738	0.5862	0.7951	0.1639	0.6	-1.0	-1.0	0.266	0.5986	0.6114	0.7735	0.5397	0.8333
12.7851	6.0	300	9.4804	0.5345	0.723	0.5979	0.0833	0.3152	0.5702	0.5689	0.7315	0.752	0.25	0.5023	0.7894	0.7783	0.8816	0.5715	0.8088	0.2478	0.6	-1.0	-1.0	0.2463	0.6	0.6622	0.7885	0.701	0.8333
11.8681	7.0	350	9.6118	0.5263	0.7119	0.5914	0.04	0.2488	0.557	0.5853	0.7249	0.7474	0.2	0.4551	0.7846	0.7843	0.873	0.5895	0.7931	0.207	0.6071	-1.0	-1.0	0.2593	0.5847	0.6165	0.7929	0.701	0.8333
10.9883	8.0	400	9.5693	0.5397	0.7126	0.6	0.05	0.2935	0.5712	0.5951	0.7313	0.7573	0.25	0.4676	0.7961	0.7818	0.8695	0.5879	0.8059	0.2092	0.6	-1.0	-1.0	0.2601	0.5833	0.6483	0.785	0.7507	0.9
10.3375	9.0	450	9.7501	0.5115	0.6889	0.5807	0.025	0.2711	0.545	0.585	0.7331	0.756	0.25	0.4574	0.7944	0.7757	0.8688	0.5474	0.8029	0.2084	0.6429	-1.0	-1.0	0.2631	0.5708	0.6301	0.7841	0.6442	0.8667
9.8323	10.0	500	9.7182	0.5436	0.7171	0.6119	0.0033	0.2656	0.5772	0.5789	0.7361	0.7501	0.25	0.4568	0.7846	0.7728	0.8709	0.5724	0.7833	0.2034	0.6	-1.0	-1.0	0.2673	0.5611	0.6214	0.785	0.8243	0.9

Framework versions

Transformers 5.15.0
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: RTDetrV2ForObjectDetection
Ревизия весов: 57c3fd5