Характеристики

Лицензия: Apache 2.0
Архитектура: rf_detr · dense
Базовая модель: rf-detr-nano
Библиотека: transformers
Опубликована: 15 июн 2026

Ссылки

Hugging Face

rfdetr-basketball-player-ball-referee-detection

koppolusameer

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RF-DETR Nano для обнаружения игроков, мяча и судьи на изображениях баскетбольных трансляций.

1 035скачиваний за 30 дней0лайковвеса обновлены15 июн 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

Это дообученная модель RF-DETR Nano, созданная на основе Roboflow/rf-detr-nano для обнаружения игроков, мяча и судьи на изображениях баскетбольных трансляций. Модель использует архитектуру RF-DETR для детекции объектов и распространяется в формате safetensors.

Модель подходит для анализа кадров баскетбольных матчей: она находит игроков, мяч и судью и возвращает их расположение на изображении. В оценке на тестовой выборке mAP составил 0,4681, а mAP@50 — 0,7416; показатели mAP для игроков и судьи выше, чем для мяча.

Мяч часто занимает всего несколько пикселей и может сливаться с фоном, поэтому обнаруживается хуже. Данные обучения преимущественно получены из трансляций матчей Boston Celtics, что может ограничивать переносимость на другие команды, ракурсы и условия съёмки. Лицензия модели — Apache-2.0.

Сценарии применения

поиск игроков на кадрах баскетбольного матча
обнаружение мяча в трансляции баскетбола
локализация судьи на игровом кадре
подготовка данных для анализа и разметки баскетбольного видео

Ограничения

Мяч часто занимает мало пикселей и может сливаться с фоном, поэтому обнаруживается хуже игроков и судьи. Обучающие данные преимущественно содержат матчи Boston Celtics, что может ограничивать работу на других командах и условиях съёмки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

rfdetr-basketball-player-ball-referee-detection

This model is a fine-tuned version of Roboflow/rf-detr-nano on an labeled basketball object detection dataset from Roboflow.

Roboflow Dataset - https://universe.roboflow.com/roboflow-jvuqo/basketball-player-detection-3-ycjdo/dataset/18
Same Dataset as above but exported to HF - https://huggingface.co/datasets/koppolusameer/basketball-coco-20260416

It achieves the following results on the evaluation set:

Loss: 11.6183
Map: 0.4681
Map 50: 0.7416
Map 75: 0.5072
Map Small: 0.3566
Map Medium: 0.6316
Map Large: -1.0
Mar 1: 0.1966
Mar 10: 0.5356
Mar 100: 0.5675
Mar Small: 0.4527
Mar Medium: 0.7196
Mar Large: -1.0
Map Ball: 0.1805
Map Player: 0.6228
Map Referee: 0.601

Model description

The model is the RF-DETR Nano Model (https://huggingface.co/Roboflow/rf-detr-seg-nano).

Intended uses & limitations

Model is finetuned to detect players, ball, and referee in basketball broadcast images. Below are a few limitations

The ball is only a few pixels in size and often gets mixed with the background and confuses the model (as described by mAP results)
Images are mostly from Celtics games and hence there may be a lack of training data diversity

Training and evaluation data

Train, Validation, and Test Splits can be found here - https://huggingface.co/datasets/koppolusameer/basketball-coco-20260416

Training procedure

Model was trained for 10 epochs and with the same train, valid, and test split as in the dataset
Training data was randomly augmented before finalizing the train set, where the augmentations done on an image could include at least one of
- Horizontal flipping
- Brightness and Contrast changes
- Saturation changes
- Blurring
- Shifting, scaling, and Rotation

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 2
eval_batch_size: 2
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: cosine
num_epochs: 10

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 Ball	Map Player	Map Referee
4.9143	1.0	232	11.3188	0.221	0.3977	0.2326	0.1807	0.317	-1.0	0.0915	0.3439	0.4561	0.3219	0.6726	-1.0	0.0166	0.3983	0.2481
4.1871	2.0	464	11.5311	0.3467	0.5833	0.3742	0.2284	0.5233	-1.0	0.1525	0.4523	0.5193	0.402	0.6907	-1.0	0.0432	0.5413	0.4554
3.7004	3.0	696	11.2214	0.4064	0.6534	0.4668	0.2884	0.5955	-1.0	0.1653	0.4926	0.535	0.4149	0.7117	-1.0	0.0735	0.5826	0.563
3.4266	4.0	928	11.3612	0.4511	0.7327	0.488	0.3365	0.6067	-1.0	0.1886	0.5089	0.5451	0.433	0.7104	-1.0	0.1793	0.5947	0.5794
3.3002	5.0	1160	11.2677	0.4597	0.7457	0.4972	0.3427	0.6219	-1.0	0.1866	0.5172	0.5519	0.434	0.7134	-1.0	0.1826	0.6046	0.5919
2.9916	6.0	1392	11.5505	0.4492	0.7071	0.4981	0.3362	0.6311	-1.0	0.1911	0.5406	0.5701	0.4528	0.7196	-1.0	0.1264	0.6157	0.6054
2.7823	7.0	1624	11.5764	0.4681	0.7337	0.5075	0.3546	0.633	-1.0	0.2004	0.5324	0.5656	0.454	0.7156	-1.0	0.1862	0.6179	0.6001
2.5629	8.0	1856	11.5485	0.4656	0.7418	0.4926	0.3517	0.6307	-1.0	0.1959	0.529	0.5654	0.458	0.7161	-1.0	0.1816	0.623	0.5922
2.3530	9.0	2088	11.6103	0.4706	0.7454	0.5214	0.3597	0.6312	-1.0	0.1988	0.5365	0.5687	0.4544	0.7186	-1.0	0.1886	0.6206	0.6025
2.7561	10.0	2320	11.6182	0.4674	0.7415	0.5058	0.3555	0.6313	-1.0	0.1971	0.5356	0.5676	0.4527	0.7197	-1.0	0.1794	0.6213	0.6015

Framework versions

Transformers 5.10.2
Pytorch 2.11.0+cu128
Datasets 4.0.0
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: RfDetrForObjectDetection
Ревизия весов: 46c3308