Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 25 июн 2026

Ссылки

Hugging Face

rt-detr-v2-finetuned-trash-hand-bin-bbox

ashutosh-kedar

Поиск объектовИзображение → bounding_boxes

Дообученная RT-DETRv2 обнаруживает мусор, урны и руки на изображениях и отмечает их ограничивающими рамками.

8скачиваний за 30 дней0лайковвеса обновлены27 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

RT-DETRv2 — модель обнаружения объектов на изображениях, дообученная Ashutosh Kedar на основе PekingU/rtdetr_v2_r50vd. Она предназначена для поиска мусора, урн и рук с предсказанием ограничивающих рамок и оценок уверенности; подходит, например, для визуального контроля выбрасывания мусора в урну. В репозитории веса сохранены в формате safetensors, библиотека для работы — Transformers.

В README приведены результаты оценки: mAP 0,45, mAP@50 0,62 и mAP@75 0,54. Для класса Bin указана mAP 0,75, для Hand — 0,55, для Trash — 0,69. Датасет не описан, поэтому результаты не позволяют судить о качестве на других типах изображений или в реальных условиях. Лицензия — Apache-2.0.

Сценарии применения

обнаружение мусора на фотографиях
поиск урн на изображениях
обнаружение рук рядом с мусором или урной
визуальный контроль выбрасывания мусора в урну

Ограничения

Датасет и условия оценки не описаны; приведённые метрики не гарантируют аналогичное качество на новых изображениях. Показатель mAP для небольших объектов составляет 0,05.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Live Demo

Try the Gradio application here:

Hugging Face Space: https://huggingface.co/spaces/ashutosh-kedar/ECO-VISION

Upload an image and the model detects:

Trash
Bin
Hand

It also visualizes the predicted bounding boxes and confidence scores.

rt-detr-v2-finetuned-trash-hand-bin-bbox

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: 9.1691
Map: 0.45
Map 50: 0.62
Map 75: 0.54
Map Small: 0.05
Map Medium: 0.2
Map Large: 0.47
Mar 1: 0.51
Mar 10: 0.68
Mar 100: 0.73
Mar Small: 0.2
Mar Medium: 0.61
Mar Large: 0.74
Map Bin: 0.75
Mar Bin: 0.88
Map Hand: 0.55
Mar Hand: 0.78
Map Not Bin: 0.01
Mar Not Bin: 0.7
Map Not Hand: 0.18
Mar Not Hand: 0.45
Map Not Trash: 0.21
Mar Not Trash: 0.61
Map Trash: 0.69
Mar Trash: 0.82
Map Trash Arm: 0.78
Mar Trash Arm: 0.87

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 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
81.8644	1.0	50	17.9704	0.15	0.21	0.17	0.0	0.04	0.16	0.25	0.38	0.47	0.0	0.24	0.49	0.5	0.85	0.38	0.84	0.0	0.17	0.0	0.0	0.01	0.48	0.16	0.79	0.0	0.13
25.1417	2.0	100	10.8062	0.39	0.54	0.43	0.01	0.15	0.4	0.42	0.61	0.66	0.3	0.45	0.68	0.72	0.87	0.58	0.82	0.01	0.74	0.0	0.0	0.11	0.55	0.61	0.81	0.7	0.8
18.3690	3.0	150	9.5975	0.41	0.57	0.5	0.01	0.18	0.43	0.45	0.68	0.73	0.3	0.56	0.75	0.75	0.88	0.58	0.83	0.02	0.77	0.0	0.35	0.18	0.6	0.66	0.83	0.71	0.87
16.0441	4.0	200	9.2287	0.44	0.59	0.51	0.01	0.2	0.45	0.48	0.7	0.75	0.4	0.58	0.76	0.76	0.88	0.55	0.81	0.01	0.8	0.01	0.45	0.21	0.61	0.69	0.83	0.82	0.87
14.6344	5.0	250	9.1273	0.45	0.59	0.52	0.04	0.2	0.46	0.46	0.7	0.74	0.3	0.59	0.75	0.75	0.88	0.57	0.82	0.01	0.7	0.02	0.45	0.25	0.63	0.69	0.83	0.82	0.9
13.6042	6.0	300	9.0929	0.42	0.6	0.46	0.01	0.21	0.44	0.5	0.69	0.73	0.1	0.57	0.75	0.76	0.88	0.56	0.8	0.01	0.75	0.08	0.4	0.22	0.61	0.69	0.82	0.63	0.87
12.8196	7.0	350	9.1643	0.43	0.61	0.46	0.01	0.21	0.44	0.49	0.69	0.73	0.1	0.57	0.74	0.76	0.88	0.55	0.8	0.01	0.72	0.1	0.4	0.22	0.61	0.69	0.82	0.65	0.87
12.2277	8.0	400	9.0923	0.45	0.61	0.53	0.08	0.2	0.46	0.5	0.68	0.73	0.2	0.58	0.74	0.76	0.88	0.55	0.79	0.01	0.71	0.1	0.4	0.23	0.62	0.69	0.82	0.78	0.9
11.7523	9.0	450	9.1509	0.44	0.61	0.53	0.05	0.2	0.46	0.49	0.69	0.72	0.2	0.58	0.73	0.75	0.88	0.55	0.78	0.01	0.67	0.1	0.4	0.22	0.62	0.69	0.82	0.78	0.87
11.5078	10.0	500	9.1691	0.45	0.62	0.54	0.05	0.2	0.47	0.51	0.68	0.73	0.2	0.61	0.74	0.75	0.88	0.55	0.78	0.01	0.7	0.18	0.45	0.21	0.61	0.69	0.82	0.78	0.87

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: 2303af6