Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 24 июн 2026

Ссылки

Hugging Face

rt-detr-v2-finetuned

ashutosh-kedar

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RT-DETRv2-модель для обнаружения объектов на изображениях, включая классы Bin, Hand и Trash.

11скачиваний за 30 дней0лайковвеса обновлены24 июн 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

ashutosh-kedar/rt-detr-v2-finetuned — дообученная модель обнаружения объектов, созданная на основе PekingU/rtdetr_v2_r50vd и предназначенная для поиска объектов на изображениях. Она использует архитектуру RT-DETRv2 и распространяется в формате safetensors через библиотеку Transformers.

В README приведены метрики оценки: mAP 0,43 и mAP@50 0,6. Среди названий классов и показателей упомянуты Bin, Hand, Trash и Trash Arm; по этим результатам нельзя надёжно установить полный состав классов или область применения модели. Набор данных в карточке назван неизвестным.

Модель принимает изображения и выдаёт обнаружения объектов с метками классов и координатами. Лицензия — Apache-2.0; качество на других наборах данных и ограничения применения в карточке не описаны.

Сценарии применения

обнаружение мусорных контейнеров на изображениях
поиск рук на изображениях
обнаружение мусора на изображениях
локализация объектов класса Trash Arm

Ограничения

Датасет и полный перечень классов не раскрыты; приведённые метрики не позволяют оценить переносимость на другие данные. Результаты для малых объектов указаны как нулевые.

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 IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели 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-detr-v2-finetuned

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: 9.7605
Map: 0.43
Map 50: 0.6
Map 75: 0.5
Map Small: 0.0
Map Medium: 0.19
Map Large: 0.45
Mar 1: 0.6
Mar 10: 0.71
Mar 100: 0.73
Mar Small: 0.0
Mar Medium: 0.44
Mar Large: 0.76
Map Bin: 0.78
Mar Bin: 0.88
Map Hand: 0.55
Mar Hand: 0.76
Map Not Bin: 0.13
Mar Not Bin: 0.67
Map Not Hand: 0.01
Mar Not Hand: 0.6
Map Not Trash: 0.18
Mar Not Trash: 0.54
Map Trash: 0.61
Mar Trash: 0.79
Map Trash Arm: 0.76
Mar Trash Arm: 0.88

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 Medium	Map Large	Mar 1	Mar 10	Mar 100	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
82.2808	1.0	50	19.0962	0.09	0.13	0.1	0.01	0.1	0.2	0.4	0.45	0.13	0.48	0.18	0.87	0.26	0.81	0.01	0.5	0.0	0.0	0.0	0.26	0.19	0.7	0.0	0.0
25.2194	2.0	100	11.3634	0.29	0.41	0.32	0.1	0.3	0.38	0.68	0.75	0.42	0.78	0.73	0.9	0.52	0.77	0.01	0.63	0.0	0.8	0.11	0.55	0.57	0.77	0.08	0.82
18.5745	3.0	150	10.0971	0.4	0.54	0.45	0.14	0.41	0.43	0.69	0.76	0.49	0.79	0.77	0.88	0.58	0.82	0.07	0.72	0.0	0.6	0.13	0.61	0.62	0.78	0.61	0.88
16.2489	4.0	200	9.8114	0.41	0.56	0.47	0.2	0.42	0.48	0.7	0.77	0.52	0.8	0.79	0.88	0.55	0.8	0.06	0.75	0.0	0.7	0.17	0.6	0.62	0.8	0.66	0.85
14.9636	5.0	250	9.6389	0.41	0.56	0.47	0.29	0.43	0.5	0.7	0.75	0.47	0.78	0.79	0.89	0.56	0.8	0.1	0.67	0.0	0.6	0.16	0.6	0.61	0.8	0.7	0.88
13.9524	6.0	300	9.5040	0.43	0.6	0.5	0.18	0.45	0.52	0.71	0.76	0.56	0.78	0.79	0.88	0.57	0.8	0.12	0.72	0.0	0.7	0.18	0.58	0.59	0.8	0.75	0.82
13.1142	7.0	350	9.6180	0.43	0.59	0.5	0.31	0.45	0.53	0.72	0.74	0.46	0.77	0.79	0.88	0.57	0.78	0.16	0.65	0.0	0.6	0.17	0.56	0.61	0.8	0.72	0.9
12.5272	8.0	400	9.6804	0.43	0.59	0.49	0.19	0.45	0.61	0.72	0.74	0.45	0.77	0.78	0.88	0.55	0.78	0.11	0.68	0.01	0.6	0.18	0.55	0.61	0.8	0.74	0.88
12.0791	9.0	450	9.7290	0.41	0.58	0.49	0.17	0.43	0.6	0.71	0.72	0.43	0.76	0.77	0.88	0.54	0.76	0.11	0.67	0.01	0.6	0.18	0.53	0.6	0.78	0.69	0.85
11.7099	10.0	500	9.7605	0.43	0.6	0.5	0.19	0.45	0.6	0.71	0.73	0.44	0.76	0.78	0.88	0.55	0.76	0.13	0.67	0.01	0.6	0.18	0.54	0.61	0.79	0.76	0.88

Framework versions

Transformers 5.12.0
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: 5383a75