/ Модель

Характеристики

Контекст
1 024 токена
Параметры
6,3 млн
Лицензия
Apache 2.0
Архитектура
detr · dense
Базовая модель
detr-resnet-50
Библиотека
transformers
Опубликована
7 авг 2026

control-r3

Поиск объектовИзображение → bounding_boxes3 профессии

Детектор на основе DETR, который находит заголовки, изображения и другие области макета на газетных страницах.

26скачиваний за 30 дней0лайковвеса обновлены7 авг 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

control-r3 — модель обнаружения объектов, разработанная на основе DETR с backbone ResNet-50 и дообученная для анализа газетных страниц. Она находит ограничивающие рамки семи типов областей макета: например, заголовков, фотографий, иллюстраций, карт, объявлений и комиксов. Модель принимает RGB-изображение страницы, изменяет его размер до 600 × 600 и возвращает метки классов с рамками объектов.

Модель предназначена для анализа оцифрованных исторических и современных газет, архивной каталогизации и предварительной разметки страниц. Она обучена на наборе biglam/loc_beyond_words; на валидационной выборке качество заметно различается между классами: заголовки и объявления обнаруживаются хорошо, фотографии и комиксы — приемлемо, а редкие классы, включая карты и иллюстрации, распознаются ненадёжно. Это детектор областей макета, а не система OCR или распознавания рукописного текста; результаты для редких классов и страниц, отличающихся от обучающих данных, следует проверять.

Модель использует архитектуру DETR с ResNet-50, 100 запросами и шестью слоями энкодера и декодера. Она дообучена от facebook/detr-resnet-50 и распространяется по лицензии Apache 2.0.

Сценарии применения

  • поиск заголовков на сканах газет
  • обнаружение фотографий и иллюстраций на газетных страницах
  • разметка объявлений, карт и комиксов в цифровых архивах
  • предварительная разметка газет для архивной каталогизации

Ограничения

Качество сильно зависит от класса: редкие категории, включая карты и иллюстрации, обнаруживаются ненадёжно из-за дисбаланса обучающих данных. Детектор не распознаёт текст; качество может снижаться на макетах и стилях, отличающихся от обучающих данных, поэтому предсказания требуют проверки.

Для каких профессий подходит3

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

control-r3 — DETR object detection for news-page layout regions

This model is a fine-tuned DetrForObjectDetection (DETR with a ResNet-50 backbone, starting from facebook/detr-resnet-50) tuned to localize layout regions in historical and modern newspaper pages. It predicts bounding boxes for the 7 classes of the BigLam “Locating Objects Beyond Words” dataset:

class idlabel
0Photograph
1Illustration
2Map
3Comics/Cartoon
4Editorial Cartoon
5Headline
6Advertisement

The base model facebook/detr-resnet-50 is released under the Apache 2.0 license, so this fine-tune can be freely shared and used.

Model Details

  • Model type: DETR (DEtection TRansformer), encoder-decoder Transformer with a ResNet-50 backbone.
  • Backbone: ResNet-50 (provided by timm), pretrained on ImageNet.
  • Number of queries: 100.
  • Input: RGB image resized/padded to a square of 600 × 600 after a smallest-max-size resize.
  • Output: per-image box predictions with class logits for the 7 layout classes (plus the implicit no object class).
  • Optimized by: fine-tuned on the training split (2,846 images) of biglam/loc_beyond_words.
  • Base model license: Apache 2.0.

Intended Use

The model is intended for document / newspaper-page layout analysis: given a scan or a page image, it detects coarse layout regions such as headlines, photographs/illustrations, advertisements, maps and comics. It is designed as a layout-region detector and is not meant for fine-grained text recognition or OCR (use OCR/HTR systems for reading text).

Example inference:

from transformers import pipeline

detector = pipeline("object-detection", model="harness-race/control-r3")
results = detector("path/to/newspaper_page.png")
# results: list of {label, score, box: {xmin, ymin, xmax, ymax}}

Training Data

  • Dataset: biglam/loc_beyond_words (BigLam “Locating Objects Beyond Words”, a Library-of-Congress-derived newspaper layout dataset).
  • Training split: 2,846 images.
  • Validation split: 712 images (reported results are on this held-out split).
  • Format: COCO-style bounding boxes [x, y, width, height] in pixel coordinates.
  • The data was repackaged (only renaming annotation fields for compatibility) into harness-race/loc_beyond_words_coco; no annotations were modified.

Training Procedure

The model was fine-tuned end-to-end (all weights trainable) with the Hugging Face Trainer-style loop on a single NVIDIA T4 GPU (fp16 AMP), with the RGB images resized and padded to 600 × 600 and light augmentation (horizontal flip, random brightness/contrast, hue/saturation, random crop with box clipping).

Hyperparameters

  • optimizer: AdamW (betas 0.9/0.999, eps 1e-8)
  • learning rate: 1e-4 with linear schedule + 10% warmup
  • weight decay: 1e-4
  • train batch size: 4
  • eval batch size: 8
  • epochs: 8
  • mixed precision: fp16 (native AMP)
  • image size: 600 × 600 (resize + pad)
  • gradient clipping: 1.0
  • seed: 42

Evaluation is run at the end of every epoch and the checkpoint with the best validation mAP is kept.

Evaluation Results

Reported on the validation split (712 images), using COCO-style metrics (torchmetrics.MeanAveragePrecision, box_format=xyxy). Metrics are in %:

MetricValue
mAP (IoU .5:.95)24.65
mAP @ IoU 0.5034.76
mAP @ IoU 0.7528.39
mAR@10037.94

Per-class mAP (IoU .5:.95):

ClassmAP
Photograph39.02
Illustration1.17
Map0.03
Comics/Cartoon13.21
Editorial Cartoon0.00
Headline59.51
Advertisement59.64

The model detects Headline and Advertisement regions very well (>59 mAP) and detects Photograph and Comics/Cartoon reasonably. The rare classes (Illustration, Map, Editorial Cartoon) show very low mAP, which is largely a consequence of heavy class imbalance in the dataset (e.g. only ~215 Map and ~293 Editorial Cartoon object instances across the whole dataset vs ~27.9k Headline instances). More data or class-balancing/oversampling for those classes would improve them.

The raw per-epoch metrics are stored in val_metrics.json in this repository.

Bias, Risks, and Limitations

  • Performance is strongly skewed by class imbalance; rare layout classes are unreliable.
  • Detector quality on page layouts/engravings/styles outside the training distribution may degrade.
  • Predictions should be reviewed when used in archival/curation workflows (layout regions may span multiple semantic zones; bounding boxes are approximate).
  • This is a layout-region detector, not an OCR/HTR model.

Technical Notes

  • Architecture: DetrForObjectDetection, 100 queries, 6 encoder + 6 decoder layers, d_model=256.
  • Repository files: config.json, model.safetensors, preprocessor_config.json (DetrImageProcessorFast, size=600), val_metrics.json, train_detr.py (training script).

Acknowledgements

Based on the DETR model (Carion et al., 2020) and the Transformers library. Dataset from BigLam and the Library of Congress newspaper collections.

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
DetrForObjectDetection
Ревизия весов
5e0e2de

0 моделей