Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 28 июл 2026

Ссылки

Hugging Face

rt_detrv2_finetuned_trashify_box_detector_v1

juanpajedrez

Поиск объектовИзображение → bounding_boxes3 профессии

Детектор на базе RT-DETRv2 для поиска мусора и связанных объектов на изображениях.

12скачиваний за 30 дней0лайковвеса обновлены28 июл 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

RT-DETRv2 — детектор объектов на изображениях, дообученный автором juanpajedrez на базе PekingU/rtdetr_v2_r50vd для обнаружения мусора и связанных с ним объектов. Модель принимает изображение и возвращает найденные объекты с ограничивающими рамками и оценками уверенности.

В README приведены результаты оценки, включая mAP 0,4441 и отдельные метрики для классов Bin, Hand и Trash. Метрики различаются по классам; особенно низкие значения указаны для объектов, отличных от Bin и Hand, поэтому качество зависит от класса и условий съёмки. Датасет и подробности применения не описаны. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

обнаружение мусора на фотографиях
поиск мусорных баков на изображениях
определение рук рядом с мусором
разметка объектов мусора ограничивающими рамками

Ограничения

Датасет и условия оценки в README не описаны. Метрики для некоторых классов низкие, поэтому точность может существенно различаться между категориями объектов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rt_detrv2_finetuned_trashify_box_detector_v1

This model is a fine-tuned version of PekingU/rtdetr_v2_r50vd on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 9.8121
Map: 0.4441
Map 50: 0.6103
Map 75: 0.517
Map Small: 0.0
Map Medium: 0.3013
Map Large: 0.46
Mar 1: 0.5199
Mar 10: 0.6968
Mar 100: 0.7307
Mar Small: 0.0
Mar Medium: 0.5354
Mar Large: 0.7478
Map Bin: 0.7624
Mar Bin: 0.8938
Map Hand: 0.599
Mar Hand: 0.8258
Map Not Bin: 0.1297
Mar Not Bin: 0.6182
Map Not Hand: 0.0299
Mar Not Hand: 0.55
Map Not Trash: 0.2053
Mar Not Trash: 0.5817
Map Trash: 0.6227
Mar Trash: 0.7882
Map Trash Arm: 0.7594
Mar Trash Arm: 0.8571

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0001
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.05
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Bin	Mar Bin	Map Hand	Mar Hand	Map Not Bin	Mar Not Bin	Map Not Hand	Mar Not Hand	Map Not Trash	Mar Not Trash	Map Trash	Mar Trash	Map Trash Arm	Mar Trash Arm
68.5945	1.0	50	15.9908	0.2453	0.3445	0.2691	0.0	0.0539	0.2513	0.4056	0.5891	0.6614	0.0	0.3915	0.7087	0.6488	0.8929	0.5013	0.8098	0.0064	0.5286	-1.0	-1.0	0.0494	0.4861	0.2094	0.7177	0.0562	0.5333
22.4064	2.0	100	10.7169	0.438	0.6038	0.517	0.0212	0.2149	0.4574	0.5033	0.6744	0.7326	0.1	0.4102	0.7777	0.728	0.8809	0.5647	0.8147	0.0197	0.6143	-1.0	-1.0	0.151	0.5583	0.551	0.7274	0.6135	0.8
17.7420	3.0	150	10.0579	0.4933	0.6641	0.5611	0.05	0.3096	0.5101	0.5514	0.7267	0.7578	0.05	0.5506	0.7935	0.7715	0.9028	0.55	0.8029	0.0531	0.65	-1.0	-1.0	0.2165	0.5653	0.5304	0.7257	0.8383	0.9
15.8189	4.0	200	9.5247	0.5076	0.6783	0.5645	0.075	0.2725	0.536	0.5725	0.7378	0.7683	0.15	0.5455	0.8088	0.7809	0.9028	0.5886	0.8402	0.1319	0.6214	-1.0	-1.0	0.2471	0.6264	0.5965	0.7522	0.7005	0.8667
14.4667	5.0	250	9.2627	0.5596	0.7305	0.6342	0.15	0.3607	0.5877	0.5672	0.7381	0.7812	0.15	0.5528	0.8161	0.7914	0.9057	0.6446	0.8363	0.1613	0.6214	-1.0	-1.0	0.2815	0.6153	0.6124	0.7752	0.8666	0.9333
13.2003	6.0	300	9.3604	0.5268	0.6954	0.5881	0.1	0.3349	0.5527	0.5674	0.7281	0.7599	0.2	0.5483	0.7889	0.7964	0.8901	0.5968	0.8147	0.1746	0.5429	-1.0	-1.0	0.2547	0.65	0.6207	0.7619	0.7177	0.9
12.1863	7.0	350	9.4424	0.4892	0.6583	0.5566	0.1547	0.3481	0.5132	0.5679	0.7351	0.7624	0.3	0.5386	0.7936	0.7596	0.895	0.5934	0.8049	0.1953	0.6714	-1.0	-1.0	0.1966	0.6139	0.5819	0.7558	0.6084	0.8333
11.2727	8.0	400	9.3928	0.5194	0.6937	0.5903	0.15	0.3207	0.5468	0.572	0.7354	0.7589	0.15	0.571	0.7859	0.7691	0.8936	0.591	0.8	0.2026	0.6286	-1.0	-1.0	0.2398	0.5931	0.6135	0.7717	0.7005	0.8667
10.6241	9.0	450	9.4390	0.5272	0.6905	0.5963	0.0333	0.3609	0.5562	0.5762	0.7178	0.7574	0.2	0.5813	0.7789	0.7864	0.8922	0.5883	0.8059	0.1887	0.5643	-1.0	-1.0	0.2478	0.6167	0.6288	0.7655	0.7231	0.9
10.1538	10.0	500	9.4461	0.5271	0.6971	0.5944	0.03	0.3529	0.5561	0.5854	0.7135	0.758	0.15	0.5892	0.7799	0.7732	0.8936	0.587	0.7775	0.1979	0.5643	-1.0	-1.0	0.2551	0.6069	0.6313	0.7726	0.7178	0.9333

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
Datasets 5.0.1
Tokenizers 0.22.2

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: RTDetrV2ForObjectDetection
Ревизия весов: 6b7d4d2