Характеристики

Лицензия: Apache 2.0
Архитектура: rf_detr · dense
Базовая модель: rf-detr-medium
Библиотека: transformers
Опубликована: 19 июн 2026

Ссылки

Hugging Face

rfdetr-road-signs-agree1

merve

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная модель RF-DETR для обнаружения дорожных знаков, светофоров и их сигналов на изображениях.

17скачиваний за 30 дней0лайковвеса обновлены19 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/rfdetr-road-signs-agree1 — дообученная Merve модель Roboflow/rf-detr-medium для обнаружения дорожных знаков и сигналов на изображениях. Она использует архитектуру RF-DETR и выдаёт найденные объекты с ограничивающими рамками и классами, включая знаки остановки, парковки, пешеходного перехода, запрета поворота, а также светофор и его сигналы. Модель может применяться для анализа дорожных сцен и распознавания перечисленных категорий знаков. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

В README приведены метрики оценки на наборе данных, который там не идентифицирован: общий mAP составляет 0,2689, а качество заметно различается между классами. Например, mAP для парковки — 0,9, тогда как для знака «пешеходный переход зебра» — 0,0137. Результаты указывают на неодинаковую точность распознавания категорий; пригодность для конкретных условий следует оценивать отдельно.

Сценарии применения

обнаружение дорожных знаков на изображениях с автомобильных камер
поиск светофоров и определение их сигналов на дорожных снимках
локализация знаков остановки и парковки
обнаружение предупреждающих и запрещающих знаков
анализ изображений дорожной инфраструктуры

Ограничения

Метрики в README получены на неидентифицированном наборе данных и заметно различаются между классами; например, mAP составляет 0,9 для класса Parking и 0,0137 для Ped Zebra Cross. Качество на других наборах данных и в реальных дорожных условиях по приведённым сведениям не установлено.

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 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

rfdetr-road-signs-agree1

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

Loss: 16.2265
Map: 0.2689
Map 50: 0.3209
Map 75: 0.2914
Map Small: 0.1286
Map Medium: 0.2837
Map Large: 0.2816
Mar 1: 0.8019
Mar 10: 0.8631
Mar 100: 0.8721
Mar Small: 0.3889
Mar Medium: 0.65
Mar Large: 0.8778
Map Bus Stop: 0.4038
Mar 100 Bus Stop: 0.925
Map Do Not Enter: 0.4978
Mar 100 Do Not Enter: 0.8467
Map Do Not Stop: 0.0699
Mar 100 Do Not Stop: 0.9556
Map Do Not Turn L: 0.3458
Mar 100 Do Not Turn L: 0.875
Map Do Not Turn R: 0.1562
Mar 100 Do Not Turn R: 0.95
Map Do Not U Turn: 0.3238
Mar 100 Do Not U Turn: 0.95
Map Enter Left Lane: 0.0153
Mar 100 Enter Left Lane: 0.9
Map Green Light: 0.3311
Mar 100 Green Light: 0.6143
Map Left Right Lane: 0.6104
Mar 100 Left Right Lane: 0.9833
Map No Parking: 0.2497
Mar 100 No Parking: 0.8842
Map Parking: 0.9
Mar 100 Parking: 0.9
Map Ped Crossing: 0.1528
Mar 100 Ped Crossing: 0.9545
Map Ped Zebra Cross: 0.0137
Mar 100 Ped Zebra Cross: 1.0
Map Railway Crossing: 0.0997
Mar 100 Railway Crossing: 0.7667
Map Red Light: 0.1385
Mar 100 Red Light: 0.6875
Map Stop: 0.0998
Mar 100 Stop: 0.9571
Map T Intersection L: 0.0476
Mar 100 T Intersection L: 1.0
Map Traffic Light: 0.4625
Mar 100 Traffic Light: 0.7049
Map U Turn: 0.0343
Mar 100 U Turn: 0.8
Map Warning: 0.6763
Mar 100 Warning: 0.86
Map Yellow Light: 0.0174
Mar 100 Yellow Light: 0.8

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: 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: cosine
lr_scheduler_warmup_steps: 0.05
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 Bus Stop	Mar 100 Bus Stop	Map Do Not Enter	Mar 100 Do Not Enter	Map Do Not Stop	Mar 100 Do Not Stop	Map Do Not Turn L	Mar 100 Do Not Turn L	Map Do Not Turn R	Mar 100 Do Not Turn R	Map Do Not U Turn	Mar 100 Do Not U Turn	Map Enter Left Lane	Mar 100 Enter Left Lane	Map Green Light	Mar 100 Green Light	Map Left Right Lane	Mar 100 Left Right Lane	Map No Parking	Mar 100 No Parking	Map Parking	Mar 100 Parking	Map Ped Crossing	Mar 100 Ped Crossing	Map Ped Zebra Cross	Mar 100 Ped Zebra Cross	Map Railway Crossing	Mar 100 Railway Crossing	Map Red Light	Mar 100 Red Light	Map Stop	Mar 100 Stop	Map T Intersection L	Mar 100 T Intersection L	Map Traffic Light	Mar 100 Traffic Light	Map U Turn	Mar 100 U Turn	Map Warning	Mar 100 Warning	Map Yellow Light	Mar 100 Yellow Light
28.0822	1.0	143	23.4630	0.0001	0.0002	0.0001	0.0	0.0005	0.0001	0.0027	0.0113	0.0166	0.0	0.002	0.018	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0005	0.1167	0.0	0.0	0.0	0.0	0.0	0.0	0.0007	0.0389	0.0	0.0158	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0001	0.0714	0.0	0.0	0.0	0.0459	0.0	0.0	0.0001	0.06	0.0	0.0
13.7666	2.0	286	17.0324	0.002	0.0057	0.0012	0.0	0.0005	0.002	0.0392	0.076	0.0988	0.0	0.005	0.1058	0.0	0.0	0.0041	0.2667	0.0	0.0	0.0	0.0	0.0	0.0	0.0129	0.2	0.0	0.0	0.0	0.0	0.0051	0.2889	0.0	0.0	0.0	0.0	0.0035	0.4273	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0007	0.1934	0.0	0.0	0.0151	0.698	0.0	0.0
10.8868	3.0	429	14.3461	0.0287	0.0469	0.0288	0.0814	0.1076	0.0197	0.2561	0.3408	0.3612	0.2333	0.325	0.3427	0.0	0.0	0.0179	0.7067	0.0379	0.6222	0.0011	0.15	0.0067	0.6083	0.0382	0.9417	0.0	0.0	0.1938	0.3714	0.0622	0.9111	0.0235	0.4737	0.0	0.0	0.0502	0.8727	0.0	0.0	0.0	0.0	0.0128	0.1625	0.0103	0.4571	0.0	0.0	0.0238	0.5082	0.0	0.0	0.1235	0.8	0.0	0.0
10.0276	4.0	572	13.8426	0.0886	0.1213	0.097	0.1707	0.2433	0.0924	0.5664	0.6646	0.684	0.3778	0.596	0.6887	0.258	0.9	0.0559	0.8	0.0306	0.9444	0.0417	0.9	0.028	0.9417	0.0775	0.9417	0.0	0.0	0.3225	0.5357	0.0645	0.9611	0.0615	0.7895	0.0409	0.9	0.0667	0.9545	0.0	0.0	0.0081	0.55	0.062	0.625	0.1993	0.8714	0.0071	0.9	0.223	0.6557	0.0082	0.3	0.3052	0.894	0.0	0.0
9.5180	5.0	715	16.2613	0.1193	0.1587	0.1365	0.1329	0.2408	0.1224	0.6571	0.7468	0.7649	0.3444	0.639	0.772	0.1024	0.9	0.06	0.8467	0.0388	0.9444	0.0952	0.85	0.0599	0.9417	0.216	0.925	0.0093	0.9	0.313	0.6357	0.1456	0.9222	0.181	0.8737	0.0667	0.8	0.1754	0.9091	0.0	0.0	0.0096	0.5833	0.0794	0.7125	0.0819	0.9143	0.006	1.0	0.2937	0.6639	0.0334	0.8667	0.5384	0.874	0.0	0.0
8.8634	6.0	858	15.7990	0.1696	0.2226	0.1805	0.1544	0.2718	0.1847	0.7274	0.8358	0.8466	0.4444	0.582	0.8562	0.0794	0.925	0.1404	0.8267	0.0463	0.9333	0.2734	0.7875	0.0873	0.95	0.121	0.9083	0.0098	0.9	0.2805	0.4929	0.337	0.9278	0.3447	0.8632	0.45	0.9	0.0874	0.9	0.0117	0.9	0.0263	0.7167	0.1487	0.7063	0.058	0.9286	0.0096	1.0	0.3852	0.7016	0.0261	0.7667	0.6143	0.844	0.0237	0.9
8.4210	7.0	1001	15.3068	0.2227	0.2736	0.2492	0.1669	0.3058	0.2396	0.8044	0.8706	0.8812	0.3833	0.656	0.8884	0.1591	0.925	0.2264	0.8733	0.0643	0.9667	0.3429	0.8625	0.1144	0.9583	0.2645	0.9583	0.0104	1.0	0.3766	0.6786	0.4295	0.9444	0.1889	0.8842	0.9	0.9	0.0913	0.9182	0.0092	1.0	0.0929	0.7333	0.1627	0.6875	0.0802	0.9286	0.0189	1.0	0.4232	0.6984	0.0353	0.8	0.6566	0.888	0.03	0.9
8.2428	8.0	1144	16.1830	0.2493	0.2984	0.2729	0.1366	0.3077	0.2634	0.8024	0.8674	0.8788	0.3889	0.6635	0.8922	0.3068	0.925	0.4441	0.8533	0.0652	0.9444	0.3309	0.8875	0.1337	0.9667	0.2375	0.9417	0.0125	0.9	0.3596	0.6714	0.6035	0.9722	0.2338	0.9	0.9	0.9	0.1209	0.9182	0.0078	1.0	0.0481	0.75	0.1333	0.6875	0.0963	0.9571	0.0476	1.0	0.4454	0.7049	0.0307	0.8	0.6553	0.874	0.022	0.9
8.0494	9.0	1287	16.2679	0.2778	0.3306	0.3049	0.125	0.2839	0.2917	0.7989	0.8605	0.8725	0.3667	0.648	0.8844	0.4067	0.925	0.5109	0.8533	0.0681	0.9778	0.4016	0.9125	0.1547	0.9417	0.3238	0.9417	0.014	0.8	0.3377	0.6357	0.6367	0.9833	0.2883	0.8842	0.9	0.9	0.1278	0.9455	0.0133	1.0	0.0984	0.7667	0.1521	0.6875	0.1251	0.9714	0.0909	1.0	0.4551	0.6902	0.0291	0.8333	0.684	0.872	0.0154	0.8
7.8667	10.0	1430	16.2265	0.2689	0.3209	0.2914	0.1286	0.2837	0.2816	0.8019	0.8631	0.8721	0.3889	0.65	0.8778	0.4038	0.925	0.4978	0.8467	0.0699	0.9556	0.3458	0.875	0.1562	0.95	0.3238	0.95	0.0153	0.9	0.3311	0.6143	0.6104	0.9833	0.2497	0.8842	0.9	0.9	0.1528	0.9545	0.0137	1.0	0.0997	0.7667	0.1385	0.6875	0.0998	0.9571	0.0476	1.0	0.4625	0.7049	0.0343	0.8	0.6763	0.86	0.0174	0.8

Framework versions

Transformers 5.12.1
Pytorch 2.12.1+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: 435ded4