Характеристики

Лицензия: Apache 2.0
Архитектура: rf_detr · dense
Базовая модель: rf-detr-medium
Библиотека: transformers
Опубликована: 5 июн 2026

Ссылки

Hugging Face

rf-detr-mobile-ui

merve

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RF-DETR-модель для обнаружения и локализации элементов на макетах мобильных интерфейсов.

109скачиваний за 30 дней1лайквеса обновлены5 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

merve/rf-detr-mobile-ui — модель обнаружения объектов на изображениях, дообученная автором merve на наборе merve/mobile-ui-design на основе Roboflow/rf-detr-medium. Она предназначена для анализа макетов мобильных интерфейсов: находит и локализует элементы, относящиеся к группам, изображениям, прямоугольникам и тексту. Модель построена на архитектуре RF-DETR и опубликована в формате Safetensors для библиотеки Transformers.

В README приведены результаты оценки: mAP 0,3221 и mAP@50 0,4676; качество зависит от размера и категории элементов. Модель доступна по лицензии Apache-2.0. Карточка не описывает языковую обработку или иные сценарии использования, поэтому область применения следует считать специализированной на обнаружении элементов мобильного UI.

Сценарии применения

поиск текстовых блоков на скриншоте мобильного интерфейса
обнаружение изображений в макете приложения
локализация прямоугольных областей интерфейса
выделение групп элементов в дизайне мобильного UI

Ограничения

В README указаны умеренные метрики обнаружения: mAP 0,3221 и mAP@50 0,4676; точность различается между категориями и размерами объектов. Оценка относится к набору mobile-ui-design, поэтому качество на других типах изображений не установлено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели 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

rf-detr-mobile-ui

This model is a fine-tuned version of Roboflow/rf-detr-medium on the merve/mobile-ui-design dataset. It achieves the following results on the evaluation set:

Loss: 11.6978
Map: 0.3221
Map 50: 0.4676
Map 75: 0.3317
Map Small: 0.2433
Map Medium: 0.3222
Map Large: 0.4229
Mar 1: 0.0658
Mar 10: 0.3564
Mar 100: 0.574
Mar Small: 0.416
Mar Medium: 0.5745
Mar Large: 0.7475
Map Group: 0.2539
Mar 100 Group: 0.6076
Map Image: 0.3879
Mar 100 Image: 0.6364
Map Rectangle: 0.308
Mar 100 Rectangle: 0.5287
Map Text: 0.3385
Mar 100 Text: 0.5235

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: 5e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 8
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: 5.0

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 Group	Mar 100 Group	Map Image	Mar 100 Image	Map Rectangle	Mar 100 Rectangle	Map Text	Mar 100 Text
12.9372	1.0	834	12.5134	0.142	0.2455	0.1367	0.0751	0.1334	0.2061	0.0454	0.2382	0.4429	0.2816	0.4341	0.5984	0.1345	0.4747	0.1498	0.4903	0.1209	0.3933	0.1628	0.4134
10.4117	2.0	1668	12.0690	0.2095	0.3286	0.2091	0.1287	0.208	0.3034	0.0542	0.2954	0.5115	0.3377	0.504	0.6989	0.1447	0.5367	0.2545	0.5644	0.1981	0.4681	0.2406	0.4769
9.6118	3.0	2502	11.8741	0.2647	0.3972	0.2714	0.1869	0.2633	0.3638	0.06	0.3278	0.5466	0.3839	0.5469	0.7235	0.1947	0.5778	0.3159	0.5982	0.2594	0.5016	0.2889	0.509
9.2287	4.0	3336	11.7645	0.3108	0.4539	0.3204	0.2308	0.3121	0.4099	0.0649	0.3516	0.568	0.4071	0.5686	0.7433	0.2465	0.6029	0.3721	0.6301	0.2977	0.5221	0.3269	0.5168
8.8028	5.0	4170	11.6978	0.3221	0.4676	0.3317	0.2433	0.3222	0.4229	0.0658	0.3564	0.574	0.416	0.5745	0.7475	0.2539	0.6076	0.3879	0.6364	0.308	0.5287	0.3385	0.5235

Framework versions

Transformers 5.10.0.dev0
Pytorch 2.12.0+cu130
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: RfDetrForObjectDetection
Ревизия весов: 8195d59