/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
D-FINE
Библиотека
dfine-det
Опубликована
9 авг 2026

dfine-det-large-baseline-stage0

Поиск объектовИзображение → bounding_boxes

Детектор на базе D-FINE Large находит базовые линии рукописного текста в виде полилиний для анализа исторических страниц и последующего дообучения.

0скачиваний за 30 дней3лайкавеса обновлены17 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

Модель johnlockejrr/dfine-det-large-baseline-stage0 — мультимодальный по письменностям детектор строк текста, разработанный на базе D-FINE Large и адаптированный проектом dfine-det. PolylineDFINE предсказывает текстовые строки как полилинии с контрольными точками B-сплайна, а не как прямоугольные рамки. Модель содержит около 30,1 млн обучаемых параметров и предназначена для обнаружения базовых линий рукописей в изображениях страниц.

Основное применение — исходная точка для дообучения на целевом корпусе или письменности, а также исследовательские zero-shot и few-shot проверки на разнородных исторических документах. Модель поддерживает многоязычные корпуса, включая немецкий, арабский, иврит, французский, финский, греческий, шведский и другие письменности; она обнаруживает линии, но не распознаёт текст и не предназначена для поиска областей макета вроде таблиц или абзацев.

Внутренняя валидация на смешанном наборе данных показала максимальный F1 около 0,893, однако в предобучающую смесь входили страницы ICDAR cBAD, поэтому это значение нельзя считать результатом на официальном тесте cBAD 2019. Модель выпущена в формате safetensors по лицензии Apache-2.0; условия лицензий исходных обучающих наборов могут отличаться.

Сценарии применения

  • поиск базовых линий рукописного текста на сканах рукописей
  • подготовка разметки строк в PAGE-XML и ALTO
  • дообучение детектора на конкретной письменности или архивном корпусе
  • исследовательская проверка обнаружения строк в многоязычных исторических документах

Ограничения

Модель обнаруживает линии, но не распознаёт их содержимое и не заменяет детекторы областей макета. Внутренний F1 не является официальным результатом ICDAR cBAD 2019; восемь контрольных точек могут недостаточно точно описывать сильно изогнутые или повреждённые линии.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

dfine-det-large-baseline-stage0

Stage-0 multiscript pretrained weights for dfine-det — a D-FINE Large (HGNetv2-B4) detector adapted to predict text-line baselines as polylines (B-spline control points), not boxes.

Hub repo: johnlockejrr/dfine-det-large-baseline-stage0
Primary file: best_cbad_f1.safetensors (~116 MB)

This checkpoint is intended as a generic baseline pretrain for downstream Stage-1 fine-tunes (e.g. Hebrew/Samaritan, ICDAR cBAD, other PAGE/ALTO corpora).


Model summary

ArchitecturePolylineDFINE — D-FINE detection core + polyline head
Size classLarge (D-FINE-L / backbone B4)
Parameters~30.1 M trainable
Queries300
Geometry(K=8) cubic B-spline control points per line + height
Canvas(1280\times1280) letterbox
InitOfficial Peterande/D-FINE dfine_l_obj2coco_e25.pth (strict=False)
TaskDocument baseline / text-line detection → PAGE or ALTO export

Detection is set prediction of scored polylines. Polygonal line environments (BLLA) are applied only at PAGE/ALTO serialize time, not in the training objective.


Intended use

Use for

  • Starting point for Stage-1 fine-tuning on a target script/corpus
  • Zero-shot / few-shot probing of baselines on heterogeneous manuscripts (expect domain gap)
  • Research on polyline baseline detectors built on D-FINE

Not for

  • Claiming official ICDAR cBAD 2019 test numbers from these Stage-0 val scores (see below)
  • Production OCR transcription (this model detects lines; it does not recognize text)
  • Replacing layout region detectors (paragraphs, tables, etc.)

Training data (Stage-0)

Multiscript PAGE-XML / ALTO baselines under baseline_pretrain_raw (HTR-United–style open corpora + private packs), compiled to Arrow with adaptive simplify → B-spline (K=8).

SplitPages
Train46 513
Val (holdout)1 923 (~5%, seed 42)
Total XMLs inventoried48 436 across 29 corpora

Corpora (train / val pages)

CorpusTrainValScripts / notes
de-dh-unibe1430980German manuscripts
ar-Bulac7461394Arabic
he-Sofer_Mahir5474289Hebrew
se-Riksarkivet_page3861217Swedish archival
cu-Generic_Church_Slavonic_Handwriting263880Church Slavonic
smp-private2143113Samaritan (private)
la-cmmhwr262052275Latin
eu-cBAD-ICDAR2017185998cBAD 2017
eu-cBAD-ICDAR2019139874cBAD 2019 (subset in pretrain mix)
syr-MIDRASH105556Syriac
ar-Muharaf90748Arabic
ar-OpenITI-arabic_print_data81945Arabic print (ALTO)
fi-FCR_50047525Finnish
de-ICFHR-201642721German (list entry; image availability varies)
sa-…Pracalit…Sanskrit_and_Newar…41722Sanskrit / Newar
syr-HTR_Winter_School_202425914Syriac
la-HTR_Winter_School_Vienna25516Latin
he-BiblIA1257Hebrew
la-CREMMA10021Latin
+ smaller packs……Greek, Czech, Polish, Judeo-Spanish, Icelandic, Estonian, papyri, etc.

Important: ICDAR cBAD pages appear inside this pretrain mixture. Stage-0 validation F1 is an internal multiscript holdout, not a fair official cBAD 2019 test score. For apples-to-apples cBAD bake-offs, use a separate Stage-1-cBAD fine-tune and the official test split.


Training recipe

HyperparameterValue
Init weightsdfine-l-obj2coco (Peterande/D-FINE)
OptimizerAdamW; base LR (1\times10^{-4}) (backbone (0.1\times))
ScheduleLinear warmup + cosine
Precisionbf16-mixed
Effective batch32 (droplet: micro-batch 32 × accum 1 on MI300X-class)
Epochs (cap)80; early-stop on cbad_f1_max (patience 12, min 15)
AugmentMild photometric + ±2° rotation (OOB lines dropped)
Match distance20 px on the 1280 canvas
Monitorcbad_f1_max over conf ∈ {0.1…0.6}
Seed42

Config references: configs/baseline_pretrain.yaml, configs/baseline_pretrain_droplet.yaml.

Training was stopped around epoch 39 (credits / wall-clock), after the monitor had plateaued near 0.89.


Evaluation (Stage-0 val)

Metric: cBAD-style line F1 — Hungarian matching of densified polylines with mean bidirectional Chamfer cost; TP if cost ≤ dist_thresh (20 px).

Released checkpoint

MetricValueNotes
cbad_f1_max≈ 0.893Best monitor; operating conf typically 0.5
Weights filebest_cbad_f1.safetensorsAlso tagged best_0.8930.safetensors
Sourcecheckpoints/best-epoch=39.ckptConverted with dfine-det convert

Curves / logs (bundled)

  • history.csv — TensorBoard export for epochs 1–38 (peak in CSV: 0.8896 @ ep38, conf 0.5)
  • stage0_metrics.png / .pdf — training curves from that CSV
  • At ep38 @ conf 0.5: precision 0.943, recall 0.842, mean Chamfer ≈ 4.32 px

Fixed conf 0.1 F1 is substantially lower than cbad_f1_max — always sweep (or use ~0.5) before comparing systems.


How to use

Install

pip install -e ".[dev]"   # from the dfine-det repo; see QUICKSTART for torch/CUDA notes

Inference (PAGE XML)

dfine-det -d cuda:0 infer \
  --weights best_cbad_f1.safetensors \
  --image page.jpg \
  -o page.xml \
  --format page \
  --conf 0.5

Fine-tune (Stage-1)

train:
  load: best_cbad_f1.safetensors   # this Stage-0 Large pretrain
  backbone: B4
  lr: 5.0e-5
  loss_height: 3.0
  cost_y: 3.0
  monitor: cbad_f1_max
dfine-det --config your_stage1.yaml -d cuda:0 train --augment

Files in this release

FileDescription
best_cbad_f1.safetensorsRecommended Stage-0 Large weights
best_0.8930.safetensorsSame snapshot, score-tagged filename
history.csvPer-epoch val metrics (epochs 1–38 export)
stage0_metrics.pngSummary figure
README.mdThis model card

Limitations

  • Val F1 is not official cBAD 2019 test performance.
  • Pretrain includes cBAD pages → do not treat Stage-0 zero-shot cBAD scores as an external bake-off.
  • (K=8) control points underfit strongly curved / torn lines; consider higher (K) in future Stage-0 runs.
  • EMA is used for export in training runs; released safetensors are the monitored best snapshot.
  • Some listed corpora historically had missing sidecars (e.g. de-ICFHR-2016); compile filtered what resolved on disk.

Citation & credits

Please credit D-FINE (architecture & COCO/Objects365 pretrain)

This work builds on official D-FINE by Yansong Peng et al. (ICLR 2025 Spotlight). Backbone, hybrid encoder, deformable attention, and CDN utilities are adapted from their Apache-2.0 codebase; detection init uses their D-FINE-L Objects365→COCO checkpoint.

@inproceedings{peng2025dfine,
  title     = {D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement},
  author    = {Peng, Yansong and Li, Hebei and Wu, Peixi and Zhang, Yueyi and Sun, Xiaoyan and Wu, Feng},
  booktitle = {The Thirteenth International Conference on Learning Representations},
  year      = {2025},
  url       = {https://arxiv.org/abs/2410.13842}
}

This Stage-0 polyline adaptation (dfine-det)

@software{dfine_det_stage0_large,
  title   = {dfine-det Large Stage-0: Multiscript Polyline Baseline Pretrain},
  author  = {John Locke Jrr, johnlockejrr},
  year    = {2026},
  note    = {Initialized from Peterande D-FINE-L; polyline baseline head and PAGE/ALTO training pipeline},
  url     = {https://huggingface.co/johnlockejrr/dfine-det-large-baseline-stage0}
}

Acknowledgements

We thank AMD for complimentary GPU compute on the AMD Developer Cloud (AMD Instinct™ MI300X), which supported Stage-0 pretraining of this model.

Additional notices

  • Vendored D-FINE modules: see THIRD_PARTY_NOTICES.md (Apache-2.0, © 2024 The D-FINE Authors).
  • PAGE polygonalization helpers derive from Kraken/BLLA (Apache-2.0, © Benjamin Kiessling) — used at export, not for this pretrain objective.
  • Training corpora: respect each dataset’s original license (HTR-United / Zenodo / institutional terms). Private packs (smp-private, et-private, …) are not redistributed with this card; only model weights trained with them are released if your license allows.

License

Apache License 2.0 for the dfine-det code and these weights, consistent with D-FINE’s Apache-2.0 release. Downstream users must also comply with licenses of any datasets used in further fine-tuning.

Как запустить

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

GPU в ailist

Универсальный рантайм · dfine-det · object-detection

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
792084c

0 моделей