/ Модель

Характеристики

Лицензия
AGPL 3.0
Опубликована
31 июл 2026

YOLOFT-XSVID-v2

Поиск объектовИзображение → bounding_boxes

Набор чекпойнтов YOLOFT-L для обнаружения малых объектов и их сопровождения в видеопоследовательностях.

0скачиваний за 30 дней0лайковвеса обновлены5 окт 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

YOLOFT for XS-VID v2 — набор целевых чекпойнтов YOLOFT-L для обнаружения малых объектов и сопровождения объектов в видео. Модель представлена для бенчмарка XS-VID, посвящённого обнаружению и трекингу малых объектов; в карточке указано, что работа принята в TPAMI в 2026 году. Репозиторий содержит варианты для обнаружения в видео, многократного трекинга объектов и однообъектного трекинга с разными головами модели.

В метаданных указаны задача object-detection, формат PyTorch и английский язык. Для запуска нужны окружение Python 3.10, PyTorch 2.4, CUDA 11.8 и сборка расширений DCNv3 и correlation; полное переобучение по статье не выполнялось. README приводит результаты воспроизведения на VID, SOT и MOT/TAO, причём значения зависят от протокола оценки. Модель распространяется по лицензии AGPL-3.0.

Сценарии применения

  • обнаружение малых объектов в видеокадрах
  • отслеживание нескольких объектов в видео
  • однообъектный трекинг в видеопоследовательности
  • оценка детекторов и трекеров на бенчмарке XS-VID

Ограничения

Для запуска требуются CUDA 11.8 и сборка расширений DCNv3 и correlation. Воспроизведённые метрики различаются между протоколами и не совпадают полностью с историческими результатами статьи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

YOLOFT for XS-VID v2

Task-specific YOLOFT-L checkpoints for XS-VID: A Large-Scale Benchmark for Small Object Detection and Tracking in Videos, accepted by TPAMI in 2026. DOI: 10.1109/TPAMI.2026.3741044.

Download

git clone https://github.com/gjhhust/YOLOFT.git
cd YOLOFT
python tools/xsvid/download_release.py --hub hf --component model --destination ./downloads
python tools/xsvid/download_release.py --hub ms --destination ./downloads

The anonymous downloader verifies checkpoint fingerprints and all 16 dataset archive hashes before preparing the legacy layout. See the repository README for the tested Python 3.10 / torch 2.4 / CUDA 11.8 environment and compiled DCNv3/correlation prerequisites; a fresh extension build is a separate step.

Contents and Protocol

FilePurpose
checkpoints/yoloft-l-xsvid-v2-paper.ptVID; deterministic 802/802 tensor migration
checkpoints/yoloft-l-xsvid-v2-mot.ptTemporal backbone and MOT embedding head
checkpoints/yoloft-l-xsvid-v2-sot.ptCorrect paper push checkpoint; TransT head
checkpoints/transt-state-dict.pthPortable SOT training initialization, without LTR pickle
checkpoints/transt.pthOriginal TransT artifact, retained for provenance only
checkpoints/reid/osnet_x0_25_msmt17.ptTrack-by-Detection appearance encoder
configs/yoloft-l-temporal.yamlShared temporal graph
metrics/, manifest.jsonScores, protocol and file fingerprints

Paper Detection uses annotations/protocols/paper_detection_test.json; new results should use canonical annotations/test.json. Paper TAO scoring uses sparse paper_track_id with fallback to track_id; new MOT results use canonical track_id. Do not conflate TAO mAP with frame-level MOTA/IDF1.

Full fresh V100 inference on 2026-10-06 reproduced VID paper AP 29.3124 (canonical AP 29.3947) and all 272 SOT sequences / 107,788 frames: AUC 59.6286, Precision@20 81.3492. The SOT SHA-256 is c59639f868a5fdfa5474f072d657bafb072430c7386b12901e3bc1ac7a42188a. The historical early checkpoint scoring 57.09/79.35 is not the paper checkpoint. Fresh unified MOT inference covers all 66 test videos and reaches TAO mAP 31.5. Its subset AP_s/AP_m/AP_es/AP_rs are 21.3/32.7/16.3/40.3, versus historical paper values 21.7/32.8/16.4/40.4. The frozen MOTChallenge protocol gives fresh MOTA/IDF1 30.3760/54.9435, versus historical prediction replay 30.6686/55.1525. These are separate recorded results, not exact all-metric parity. Fresh Track-by-Detection inference covers all 66 videos and reaches TAO mAP 31.9 and MOTA/IDF1 36.9420/54.5701, versus historical paper 32.1/37.1/54.7. Rechecking against independently downloaded test annotations preserved these scores. These numerical differences remain documented rather than changing test thresholds to force a match.

The paper MOTChallenge scorer and frozen GT archive are in tools/xsvid/mot_protocol_tools/ (code) and protocols/ (this package). Canonical dataset annotations remain unchanged. Unified MOT and BoT-SORT use different explicit historical score-filter profiles; TAO mAP is a separate protocol. The available package is YOLOFT-L; the located YOLOFT-S candidate has not been verified against the paper's 25.8 AP row and is not included as a paper-reproducing S checkpoint.

Training Startup

python tools/xsvid/smoke_train.py --data-root ./downloads/XS-VID-v2 \
  --model-package ./downloads/YOLOFT-XSVID-v2 --output ./startup-check \
  --task all --steps 2 --frames 8 --gpu 0 --run

This is a bounded real-training startup/save test, not full paper retraining. The portable TransT artifact contains all 430 original tensors bit-identically; the head loads all 170/170 selected tensors without an external ltr package. The main code README contains full training entry points and inference scoring.

Citation and Licenses

Use CITATION.cff in the code repository. Dataset: CC BY 4.0. YOLOFT runtime: AGPL-3.0. Original TransT/OSNet and bundled dependencies retain their upstream licenses; see repository notices. Do not treat the dataset license as a license for all third-party code or pretrained weights.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
7623d0f

0 моделей