Детектор DETA на базе Swin-Large находит объекты на изображениях с использованием трансформерной архитектуры и назначения IoU.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
jozhang97/deta-swin-large — модель обнаружения объектов DETA, разработанная Джеффри Оуянг-Чжаном, Джанг Хён Чо, Синьи Чжоу и Филиппом Крэненбюлем. Она основана на работе «NMS Strikes Back» и возвращает назначение IoU и подавление немаксимумов (NMS) в трансформерные детекторы.
Модель предназначена для обнаружения объектов на изображениях. В карточке указана конфигурация Swin-Large; DETA обучается и работает с сопоставимой скоростью с Deformable-DETR и сходится быстрее. Авторы сообщают о результате 50,2 mAP за 12 эпох на COCO.
Это модель компьютерного зрения на архитектуре DETA; в репозитории представлены веса PyTorch и safetensors. Лицензия в доступных данных не указана.
В карточке приведён результат на COCO, но данных о качестве на других наборах и предметных областях нет. Лицензия в доступных данных не указана.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
By Jeffrey Ouyang-Zhang, Jang Hyun Cho, Xingyi Zhou, Philipp Krähenbühl
From the paper NMS Strikes Back.
TL; DR. Detection Transformers with Assignment (DETA) re-introduce IoU assignment and NMS for transformer-based detectors. DETA trains and tests comparibly as fast as Deformable-DETR and converges much faster (50.2 mAP in 12 epochs on COCO).
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · object-detection
Архитектура deta неизвестна transformers в образе рантайма.