/ Модель

Характеристики

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

llmdet_large

Поиск объектовИзображение → bounding_boxes3 профессии

LLMDet large обнаруживает объекты на изображениях по текстовым запросам, включая категории вне фиксированного набора классов.

4 866скачиваний за 30 дней20лайковвеса 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 large — модель обнаружения объектов с открытым словарём, разработанная авторами работы «LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models». Она развивает MM Grounding DINO и Grounding DINO: при обучении модель совместно обучали с большой языковой моделью, а для инференса языковая модель не требуется. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers.

Модель предназначена для zero-shot-обнаружения объектов по текстовым описаниям категорий, в том числе классов, не заданных фиксированным набором меток. Её можно применять для поиска и локализации объектов на изображениях по запросу. В карточке приведены результаты оценки на LVIS; размер модели, поддерживаемые языки и длина контекста не указаны.

Модель обучалась на Objects365v1, Open Images v6, GOLD-G и GroundingCap-1M. Лицензия — Apache-2.0. Карточка описывает вариант только для инференса; качество может зависеть от формулировки запроса, а результаты на других данных могут отличаться от оценки на LVIS.

Сценарии применения

  • поиск объектов на изображении по текстовому описанию
  • обнаружение объектов без заранее заданного списка классов
  • локализация редких категорий на изображениях
  • анализ изображений для инвентаризации объектов

Ограничения

Репозиторий предназначен только для инференса и не содержит языковую модель, использованную при обучении. Карточка не сообщает о языках запросов или результатах на данных вне приведённой оценки LVIS.

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

LLMDet (large 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_large"
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
bec37f2

0 моделей