/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
mm-grounding-dino · dense
Библиотека
transformers
Опубликована
30 мая 2025

llmdet_base

Поиск объектовИзображение → bounding_boxes4 профессии

LLMDet base — модель на основе MM Grounding DINO для обнаружения объектов по текстовым запросам без фиксированного набора классов.

85 262скачиваний за 30 дней10лайковвеса обновлены26 июл 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

LLMDet base — модель обнаружения объектов с открытым словарём, разработанная Shenghao Fu и соавторами. Она построена на MM Grounding DINO и Grounding DINO и улучшает их совместным обучением под надзором большой языковой модели. Опубликованный чекпойнт предназначен только для инференса; языковая модель, использованная при обучении, в него не входит, а инференс выполняется так же, как у MM Grounding DINO.

Модель подходит для обнаружения объектов по текстовым запросам без фиксированного набора классов. Обучение проводилось на Objects365v1, GOLD-G, V3Det и GroundingCap-1M. В приведённых авторами результатах на LVIS вариант base показывает AP 54,3 на MiniVal и 47,8 на Val1.0. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • поиск объектов на изображении по текстовому описанию
  • обнаружение категорий объектов, отсутствующих в заранее заданной разметке
  • разметка изображений по пользовательскому списку текстовых классов

Ограничения

Чекпойнт предназначен для инференса и не содержит большую языковую модель, использованную при обучении. В README не приведены сведения о поддерживаемых языках текстовых запросов.

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

LLMDet (base variant)

LLMDet model was proposed in LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models by Shenghao Fu, Qize Yang, Qijie Mo, Junkai Yan, Xihan Wei, Jingke Meng, Xiaohua Xie, Wei-Shi Zheng.

LLMDet improves upon the MM Grounding DINO and Grounding DINO by co-training the model with a large language model.

You can find all the LLMDet checkpoints under the LLMDet collection. Note that these checkpoints are inference only -- they do not include LLM which was used for training. The inference is identical to that of MM Grounding DINO.

Intended uses

You can use the raw model for zero-shot object detection.

Here's how to use the model for zero-shot object detection:

import torch
from transformers import AutoModelForZeroShotObjectDetection, AutoProcessor
from transformers.image_utils import load_image


# Prepare processor and model
model_id = "iSEE-Laboratory/llmdet_base"
device = "cuda" if torch.cuda.is_available() else "cpu"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForZeroShotObjectDetection.from_pretrained(model_id).to(device)

# Prepare inputs
image_url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = load_image(image_url)
text_labels = [["a cat", "a remote control"]]
inputs = processor(images=image, text=text_labels, return_tensors="pt").to(device)

# Run inference
with torch.no_grad():
    outputs = model(**inputs)

# Postprocess outputs
results = processor.post_process_grounded_object_detection(
    outputs,
    threshold=0.4,
    target_sizes=[(image.height, image.width)]
)

# Retrieve the first image result
result = results[0]
for box, score, labels in zip(result["boxes"], result["scores"], result["labels"]):
    box = [round(x, 2) for x in box.tolist()]
    print(f"Detected {labels} with confidence {round(score.item(), 3)} at location {box}")

Training Data

This model was trained on:

Evaluation results

  • Here's a table of LLMDet models and their performance on LVIS (results from official repo):

    ModelPre-Train DataMiniVal APrMiniVal APcMiniVal APfMiniVal APVal1.0 APrVal1.0 APcVal1.0 APfVal1.0 AP
    llmdet_tiny(O365,GoldG,GRIT,V3Det) + GroundingCap-1M44.737.339.550.734.926.030.144.3
    llmdet_base(O365,GoldG,V3Det) + GroundingCap-1M48.340.843.154.338.528.234.347.8
    llmdet_large(O365V2,OpenImageV6,GoldG) + GroundingCap-1M51.145.146.156.642.031.638.850.2

BibTeX entry and citation info

@article{fu2025llmdet,
  title={LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models},
  author={Fu, Shenghao and Yang, Qize and Mo, Qijie and Yan, Junkai and Wei, Xihan and Meng, Jingke and Xie, Xiaohua and Zheng, Wei-Shi},
  journal={arXiv preprint arXiv:2501.18954},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · object-detection

Нельзя запустить

Для архитектуры mm-grounding-dino нет загрузчика под задачу object-detection.

Класс архитектуры
MMGroundingDinoForObjectDetection
Ревизия весов
3537869

0 моделей