/ Модель

Характеристики

Параметры
403 млн
Архитектура
dinov2_with_registers · dense
Библиотека
transformers
Опубликована
10 ноя 2025

text_overlay_detection

Классификация изображенийИзображение → label6 профессий

Классификатор изображений на базе DINOv2 с регистрами, который определяет наличие наложенного текста для отбора и предварительной обработки изображений.

20скачиваний за 30 дней1лайквеса обновлены10 ноя 2025

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

aslakey/text_overlay_detection — модель классификации изображений на базе Dinov2 with Registers, опубликованная пользователем aslakey. Она определяет, присутствует ли на изображении наложенный текст: субтитры, титры, водяные знаки, рекламные сообщения или поясняющие подписи. Модель обучена на 2 тысячах пар изображений, размеченных с помощью VLM и затем вручную; модифицированный препроцессор отключает центральное кадрирование, чтобы учитывать текст в углах изображения.

Модель предназначена для отбора изображений с выжженным текстом при подготовке данных для генерации изображений и видео, очистки рекламных креативов и предварительной обработки данных для сравнения изображений или создания пар для генерации оформления заголовков. В README указаны precision, recall и F1-score 0,97–0,99 для классов «есть наложенный текст» и «нет наложенного текста» на использованной оценке. Размер модели — 402,7 млн параметров; веса опубликованы в формате safetensors для Transformers. Лицензия и языковая привязка метками модели не подтверждены; модель классифицирует наличие текста, а не распознаёт его содержание.

Сценарии применения

  • поиск изображений с субтитрами, титрами или водяными знаками
  • отбор кадров с выжженным текстом для обучающих наборов генеративных моделей
  • проверка рекламных креативов на текстовые наложения
  • фильтрация изображений перед сравнением или поиском различий
  • подготовка пар изображений для задач оформления заголовков

Ограничения

Модель классифицирует наличие наложенного текста, но не распознаёт его содержимое и не удаляет его. Обучение проводилось на 2 тысячах пар данных, поэтому качество на других типах изображений и текстовых наложений может отличаться от метрик README.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Text Overlay Detection

Text overlays are widely used for subtitles, credits, watermarks, promotional messages, and explanatory labels. There are many use cases for which we may want to detect and/or remove text overlay – avoiding burn-in text when training image and video generation models, supplying clean content for ad creatives, removing burn-in text from diffing algorithms, and creating paired data for title treatment and other text generation tasks.

This model was trained on 2k pairs of data sampled using a VLM as a weakly supervised classifier. The 2k data was then manually annotated. The published model uses DinoV2 w/ Regsiters backbone and a modified preprocessor in order to remove center cropping (text overlays are often in the corners of images!).

How To Use

import torch
from PIL import Image
from transformers import AutoImageProcessor
from transformers import AutoModelForImageClassification

image_processor = AutoImageProcessor.from_pretrained("aslakey/text_overlay_detection")
model = AutoModelForImageClassification.from_pretrained('aslakey/text_overlay_detection')
model.eval()

# Model labels: [clean_single, double, group, over_the_shoulder, insert, establishing]
image = Image.open('overlay.png')
inputs = image_processor(image, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)

predicted_label = outputs.logits.argmax(-1).item()
print(model.config.id2label[predicted_label])

Model Performance

ClassPrecisionRecallF1-score
no_text_overlay0.970.990.98
text_overlay0.990.970.98

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Dinov2WithRegistersForImageClassification
Ревизия весов
f380866

0 моделей