Характеристики

Лицензия: Apache 2.0
Архитектура: rt_detr_v2 · dense
Базовая модель: rtdetr_v2_r50vd
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

rtdetr_v2_r50vd_finetuned

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RT-DETRv2 обнаруживает и локализует объекты на изображениях, включая классы Bin, Hand и Trash из оценочного набора.

11скачиваний за 30 дней0лайковвеса обновлены12 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

Модель kweer/rtdetr_v2_r50vd_finetuned — дообученная версия PekingU/rtdetr_v2_r50vd для обнаружения объектов на изображениях. Она использует архитектуру RT-DETRv2 и предназначена для локализации объектов в сценариях компьютерного зрения. В README приведены метрики оценки, включая mAP 0,4061 и показатели для классов Bin, Hand и Trash, однако назначение набора данных и смысл классов не раскрыты. Репозиторий содержит веса Safetensors и использует лицензию Apache-2.0.

Сценарии применения

обнаружение мусора на изображениях
поиск урн и контейнеров на изображениях
обнаружение рук на изображениях

Ограничения

Датасет и назначение классов в README описаны недостаточно, поэтому применимость к конкретным данным неясна. В оценке mAP для малых объектов равен 0.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 IV.10Отраслевые задачиДом, личная жизнь, уход и повседневные задачиAI помогает помогать человеку планировать повседневные дела и безопасно управлять домашней средой.30 задач962модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rtdetr_v2_r50vd_finetuned

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: 10.6387
Map: 0.4061
Map 50: 0.5534
Map 75: 0.4829
Map Small: 0.0
Map Medium: 0.2252
Map Large: 0.4158
Mar 1: 0.4487
Mar 10: 0.6613
Mar 100: 0.7076
Mar Small: 0.0
Mar Medium: 0.5517
Mar Large: 0.7153
Map Bin: 0.7271
Mar Bin: 0.8391
Map Hand: 0.5457
Mar Hand: 0.8222
Map Not Bin: 0.1039
Mar Not Bin: 0.5818
Map Not Hand: 0.0011
Mar Not Hand: 0.5
Map Not Trash: 0.1534
Mar Not Trash: 0.531
Map Trash: 0.6285
Mar Trash: 0.7931
Map Trash Arm: 0.6832
Mar Trash Arm: 0.8857

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: 8
eval_batch_size: 8
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: 500
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	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
161.0519	1.0	38	99.2621	0.0062	0.0143	0.0049	0.0003	0.0069	0.0197	0.0371	0.0409	0.0056	0.042	0.0288	0.1805	0.0058	0.0238	0.0	0.0	-1.0	-1.0	0.0005	0.0119	0.0021	0.0294	0.0	0.0
92.3532	2.0	76	47.3904	0.0516	0.0922	0.0466	0.0004	0.0587	0.1054	0.2537	0.2905	0.0167	0.3019	0.159	0.6391	0.1369	0.3175	0.0027	0.125	-1.0	-1.0	0.0002	0.0262	0.0088	0.1853	0.0017	0.45
51.7429	3.0	114	25.9606	0.1533	0.2403	0.157	0.0157	0.1575	0.2074	0.3622	0.4956	0.0917	0.5201	0.3903	0.8149	0.3225	0.7413	0.0007	0.225	-1.0	-1.0	0.0019	0.1643	0.204	0.5779	0.0004	0.45
36.4871	4.0	152	19.0816	0.2521	0.341	0.2666	0.0468	0.2637	0.2935	0.4408	0.5294	0.1222	0.5761	0.6618	0.9126	0.4209	0.8302	0.1292	0.3125	-1.0	-1.0	0.0153	0.4167	0.2856	0.7044	0.0	0.0
29.2040	5.0	190	15.5496	0.3448	0.4748	0.378	0.0877	0.3642	0.3479	0.562	0.6404	0.2583	0.6813	0.6966	0.8724	0.6193	0.8254	0.1299	0.5375	-1.0	-1.0	0.1299	0.45	0.4911	0.7574	0.0022	0.4
23.4038	6.0	228	12.6222	0.3517	0.4786	0.3773	0.1253	0.3774	0.408	0.583	0.6895	0.325	0.7296	0.6996	0.8483	0.5462	0.7762	0.1317	0.5875	-1.0	-1.0	0.1239	0.5119	0.5973	0.7632	0.0112	0.65
19.3715	7.0	266	11.2698	0.4243	0.5764	0.4679	0.1593	0.4462	0.4577	0.6738	0.742	0.4	0.7771	0.7009	0.8402	0.5957	0.8143	0.1375	0.6875	-1.0	-1.0	0.1096	0.5024	0.5949	0.7574	0.407	0.85
16.9119	8.0	304	10.4336	0.4207	0.5675	0.4626	0.1672	0.4496	0.4705	0.6935	0.7121	0.3556	0.7486	0.7338	0.8425	0.6057	0.7921	0.1816	0.5875	-1.0	-1.0	0.2003	0.5167	0.5747	0.7338	0.2284	0.8
15.4101	9.0	342	10.4561	0.4657	0.6568	0.5378	0.1921	0.4825	0.5302	0.6822	0.7427	0.4472	0.7692	0.6963	0.8241	0.5938	0.7873	0.086	0.6625	-1.0	-1.0	0.209	0.5452	0.5992	0.7368	0.6096	0.9
14.3647	10.0	380	10.1698	0.4538	0.6065	0.5107	0.1667	0.4779	0.5295	0.6912	0.7414	0.4694	0.7663	0.7725	0.8736	0.5291	0.7841	0.1604	0.65	-1.0	-1.0	0.2104	0.5833	0.6027	0.7574	0.448	0.8

Framework versions

Transformers 5.12.1
Pytorch 2.11.0+cu128
Datasets 5.0.0
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: RTDetrV2ForObjectDetection
Ревизия весов: 7445fac