/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
yolos · dense
Базовая модель
yolos-small
Библиотека
transformers
Опубликована
15 янв 2025

Logo-Detection-finetune

Поиск объектовИзображение → bounding_boxes4 профессии

Дообученная YOLOS-small для обнаружения и локализации логотипов на изображениях.

158скачиваний за 30 дней3лайкавеса обновлены15 янв 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

Logo-Detection-finetune — модель обнаружения объектов на изображениях, дообученная разработчиком на базе hustvl/yolos-small. Она предназначена для поиска и локализации логотипов на изображениях. Модель построена на архитектуре YOLOS и содержит 28,3 млн параметров; веса представлены в формате safetensors и используются через библиотеку Transformers.

Модель можно применять для обнаружения логотипов на фотографиях и других изображениях. Данные не сообщают, на каком наборе данных и каких именно логотипах она обучалась, поэтому полнота распознавания и качество на конкретных изображениях не установлены. Лицензия — Apache-2.0.

Сценарии применения

  • поиск логотипов на фотографиях
  • обнаружение логотипов на изображениях товаров
  • автоматическая локализация логотипов в медиакаталогах

Ограничения

Набор данных и перечень классов логотипов не описаны, поэтому качество распознавания конкретных брендов не подтверждено.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Logo-Detection-finetune

This model is a fine-tuned version of hustvl/yolos-small on an unknown dataset.

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: 5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use adamw_torch 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: 100
  • num_epochs: 20

Framework versions

  • Transformers 4.49.0.dev0
  • Pytorch 2.5.1+cu121
  • Tokenizers 0.21.0

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
YolosForObjectDetection
Ревизия весов
a0b325f

0 моделей