/ Модель
Каталог

Характеристики

Лицензия
MIT
Архитектура
rt_detr_v2 · dense
Базовая модель
rtdetr_v2_r50vd
Библиотека
Transformers
Опубликована
22 июн 2026

Ссылки

Hugging FacearXiv 1910.09700

rtdetr_v2_r50vd-101spp-ft

cfia-ai-lab
Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RT-DETR V2 обнаруживает и локализует на изображениях семена 101 вида сорных растений, связанных с REGAL.

16скачиваний за 30 дней0лайковвеса обновлены25 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

Модель CFIA AI Lab и Seed Lab — дообученная версия RT-DETR V2 на базе PekingU/rtdetr_v2_r50vd, предназначенная для обнаружения 101 вида семян сорных растений, связанных с регулируемыми видами REGAL. Она принимает изображения и возвращает обнаруженные объекты с локализацией и метками классов; архитектура — RT-DETR V2 Transformer. В README указаны 17 908 обучающих, 7 076 валидационных и 3 166 тестовых изображений.

Модель подходит для автоматизированного выявления и локализации целевых видов семян на изображениях в задачах контроля и сортировки. Поддерживаемые классы перечислены в карточке по научным названиям. Модель опубликована в форматах safetensors и ONNX, лицензия — MIT. Карточка не приводит метрики качества и подробные ограничения применения.

Сценарии применения

  • обнаружение семян сорных растений на изображениях
  • локализация семян 101 целевого вида
  • автоматическая сортировка семян по видам
  • скрининг образцов семян на регулируемые виды

Ограничения

В карточке не приведены метрики качества, поэтому точность обнаружения отдельных видов не установлена. Модель предназначена для 101 перечисленного вида и не подтверждена для других классов или условий съёмки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейIV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделейI.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for rtdetr_v2_r50vd-101spp-ft

Model Details

Model Description

This is a RT-DETR V2 model fine tuned for object detection of 101 weed seed species related to the regulated REGAL species.  
17908 train, 3166 test images, 7076 validation images.

  • Agrostemma githago

  • Agrostis canina

  • Allium vineale

  • Amaranthus albus

  • Amaranthus palmeri

  • Amaranthus powellii

  • Amaranthus retroflexus

  • Amaranthus tuberculatus

  • Ambrosia artemisiifolia

  • Ambrosia psilostachya

  • Ambrosia trifida

  • Anthoxanthum aristatum

  • Anthoxanthum odoratum

  • Apera spica-venti

  • Asclepias syriaca

  • Asclepias tuberosa

  • Avena fatua

  • Avena sativa

  • Bassia scoparia

  • Berteroa incana

  • Brassica juncea

  • Brassica napus

  • Brassica nigra

  • Bromus diandrus

  • Bromus hordeaceus

  • Bromus inermis

  • Bromus japonicus

  • Bromus riparius

  • Bromus secalinus

  • Buglossoides arvensis

  • Calystegia sepium

  • Carduus nutans

  • Carthamus tinctorius

  • Cenchrus longispinus

  • Centaurea calcitrapa

  • Centaurea diffusa

  • Centaurea melitensis

  • Centaurea solstitialis

  • Centaurea stoebe

  • Cirsium arvense

  • Cirsium vulgare

  • Conringia orientalis

  • Convolvulus arvensis

  • Cuscuta gronovii

  • Cuscuta campestris

  • Cuscuta europaea

  • Cyclachaena xanthiifolia

  • Cynoglossum officinale

  • Datura stramonium

  • Echium vulgare

  • Euphorbia cyparissias

  • Euphorbia esula

  • Fallopia convolvulus

  • Galeopsis tetrahit

  • Galium aparine

  • Galium spurium

  • Galega officinalis

  • Galega orientalis

  • Gypsophila vaccaria

  • Heracleum mantegazzianum

  • Heracleum sosnowskyi

  • Heracleum sphondylium

  • Iva axillaris

  • Jacobaea vulgaris

  • Lithospermum officinale

  • Lactuca sativa

  • Lactuca serriola

  • Linaria vulgaris

  • Lolium persicum

  • Lolium temulentum

  • Medicago lupulina

  • Medicago sativa

  • Neslia paniculata

  • Polygonum aviculare

  • Ranunculus acris

  • Saponaria officinalis

  • Silene latifolia

  • Silene noctiflora

  • Silene vulgaris

  • Sinapis alba

  • Sinapis arvensis

  • Solanum americanum

  • Solanum carolinense

  • Solanum elaeagnifolium

  • Solanum emulans

  • Solanum nigrum

  • Solanum rostratum

  • Sonchus arvensis

  • Sorghum bicolor

  • Sorghum halepense

  • Thlaspi arvense

  • Tripleurospermum inodorum

  • Tripleurospermum maritimum

  • Ulex europaeus

  • Vicia americana

  • Vicia cracca

  • Vicia pannonica

  • Vicia villosa

  • Viola arvensis

  • Viola odorata

  • Xanthium strumarium
    Training Loss mAP IoU Overall Metrics Subclass Metrics

  • Developed by: CFIA AI Lab and Seed Lab

  • Funded by [optional]: [More Information Needed]

  • Shared by [optional]: [More Information Needed]

  • Model type: RT DETR V2 Transformer

  • Language(s) (NLP): [More Information Needed]

  • License: MIT

  • Finetuned from model [optional]: PekingU/rtdetr_v2_r50vd

Model Sources [optional]

  • Repository: cfia-ai-lab/rtdetr_v2_r50vd-101spp-ft
  • Paper [optional]: [More Information Needed]
  • Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

  • Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: [More Information Needed]
  • Hours used: [More Information Needed]
  • Cloud Provider: [More Information Needed]
  • Compute Region: [More Information Needed]
  • Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

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
a7ab2da

0 моделей

    Создать бенчмарк