Характеристики

Лицензия: Apache 2.0
Архитектура: rf_detr · dense
Базовая модель: rf-detr-base
Библиотека: transformers
Опубликована: 17 июн 2026

Ссылки

Hugging Face

rfdetr-roadsign-agree1

merve

Поиск объектовИзображение → bounding_boxes3 профессии

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

48скачиваний за 30 дней0лайковвеса обновлены26 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-roadsign-agree1 — это дообученная Merve модель Roboflow/rf-detr-base для обнаружения дорожных знаков и сигналов на изображениях. Она построена на архитектуре RF-DETR и распространяется в формате safetensors по лицензии Apache-2.0.

Модель предназначена для локализации объектов на изображении с помощью рамок и классификации знаков: например, «Въезд запрещён», «Остановка запрещена», «Пешеходный переход», а также светофоров и их сигналов. В README приведены результаты оценки по классам; качество различается между категориями, поэтому модель следует проверять на данных, похожих на целевую среду.

Сценарии применения

поиск дорожных знаков на кадрах с автомобильной камеры
обнаружение светофоров и распознавание их сигналов
локализация знаков запрета остановки и въезда
поиск пешеходных переходов и железнодорожных переездов

Ограничения

Данные обучения описаны только как неизвестный набор, поэтому применимость к конкретному региону, камере и дорожным условиям не установлена. Метрики в README существенно различаются по классам, включая низкие показатели для некоторых типов знаков.

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.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей 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

rfdetr-roadsign-agree1

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

Loss: 10.9431
Map: 0.2977
Map 50: 0.3348
Map 75: 0.3316
Map Small: -1.0
Map Medium: 0.2581
Map Large: 0.312
Mar 1: 0.8002
Mar 10: 0.914
Mar 100: 0.9207
Mar Small: -1.0
Mar Medium: 0.7952
Mar Large: 0.9256
Map Bus Stop: 0.0168
Mar 100 Bus Stop: 0.8
Map Do Not Enter: 0.7351
Mar 100 Do Not Enter: 0.9647
Map Do Not Stop: 0.2201
Mar 100 Do Not Stop: 0.9556
Map Do Not Turn L: 0.6354
Mar 100 Do Not Turn L: 0.95
Map Do Not Turn R: 0.2183
Mar 100 Do Not Turn R: 0.9625
Map Do Not U Turn: 0.1473
Mar 100 Do Not U Turn: 0.9556
Map Enter Left Lane: 0.0736
Mar 100 Enter Left Lane: 0.96
Map Green Light: 0.6003
Mar 100 Green Light: 0.85
Map Left Right Lane: 0.6462
Mar 100 Left Right Lane: 0.9462
Map No Parking: 0.5851
Mar 100 No Parking: 0.9357
Map Parking: 0.4673
Mar 100 Parking: 0.92
Map Ped Crossing: 0.2841
Mar 100 Ped Crossing: 0.9786
Map Ped Zebra Cross: 0.1496
Mar 100 Ped Zebra Cross: 1.0
Map Railway Crossing: 0.1275
Mar 100 Railway Crossing: 1.0
Map Red Light: 0.264
Mar 100 Red Light: 0.8421
Map Stop: 0.1531
Mar 100 Stop: 0.96
Map T Intersection L: 0.1283
Mar 100 T Intersection L: 0.9556
Map Traffic Light: 0.0914
Mar 100 Traffic Light: 0.7714
Map U Turn: 0.3491
Mar 100 U Turn: 0.8857
Map Warning: 0.2874
Mar 100 Warning: 0.9118
Map Yellow Light: 0.0724
Mar 100 Yellow Light: 0.8286

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
22.2876	1.0	142	16.3031	0.0001	0.0003	0.0	-1.0	0.0003	0.0001	0.0014	0.0147	0.0393	-1.0	0.0143	0.0389	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0071	0.0	0.0	0.0012	0.4357	0.0	0.0	0.0	0.0	0.0	0.0579	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0006	0.3235	0.0	0.0
10.6298	2.0	284	12.8967	0.0036	0.0072	0.0027	-1.0	0.0005	0.0037	0.1123	0.1862	0.2092	-1.0	0.0119	0.2121	0.0	0.0	0.0005	0.0824	0.0032	0.4	0.0	0.0	0.0	0.0	0.0067	0.6111	0.0261	0.56	0.0005	0.04	0.0096	0.5923	0.0	0.0	0.0	0.0	0.0144	0.7571	0.0	0.0	0.0	0.0	0.0001	0.0684	0.01	0.5133	0.0	0.0	0.0033	0.1214	0.0	0.0	0.0015	0.6471	0.0	0.0
9.1796	3.0	426	10.0319	0.021	0.0271	0.0244	-1.0	0.0084	0.0215	0.2869	0.3829	0.4119	-1.0	0.1671	0.4206	0.0	0.0	0.011	0.7647	0.19	0.8778	0.0067	0.1667	0.0009	0.125	0.022	0.7111	0.0123	0.78	0.0242	0.575	0.0485	0.9462	0.0021	0.0714	0.0	0.0	0.0103	0.8714	0.0	0.0	0.0	0.0	0.0039	0.4105	0.054	0.7	0.0026	0.1	0.0209	0.7071	0.0	0.0	0.0291	0.8	0.0017	0.0429
8.1664	4.0	568	10.4812	0.0656	0.0865	0.0802	-1.0	0.1081	0.071	0.5479	0.6705	0.6938	-1.0	0.4738	0.7013	0.0	0.0	0.0949	0.8882	0.0636	0.9222	0.0726	0.95	0.013	0.9375	0.0375	0.8222	0.0077	0.86	0.2439	0.725	0.248	0.9769	0.0458	0.8857	0.0856	0.46	0.0296	0.9	0.0379	0.6	0.0329	0.8571	0.03	0.6105	0.037	0.6933	0.0114	0.7	0.0507	0.6357	0.104	0.1	0.1279	0.8588	0.0029	0.1857
7.6975	5.0	710	10.0715	0.1155	0.134	0.1298	-1.0	0.1498	0.1175	0.6555	0.7709	0.7932	-1.0	0.6648	0.7822	0.0069	0.15	0.1771	0.9176	0.0417	0.9333	0.5852	0.95	0.0468	0.9625	0.0499	0.8333	0.0281	0.9	0.2321	0.765	0.2894	0.9846	0.1371	0.8786	0.0747	0.74	0.0535	0.9	0.1351	0.94	0.0409	0.9429	0.0632	0.7895	0.0452	0.9	0.0384	0.9	0.0573	0.6714	0.0051	0.2286	0.1829	0.9118	0.1361	0.4571
7.3315	6.0	852	10.2709	0.2027	0.2351	0.2261	-1.0	0.1476	0.2131	0.7523	0.8761	0.8919	-1.0	0.7338	0.8934	0.0072	0.7667	0.4716	0.9588	0.2372	0.9444	0.5703	0.95	0.065	0.9875	0.1324	0.9333	0.2099	0.9	0.3541	0.705	0.3525	0.9538	0.2255	0.9643	0.4336	0.86	0.1226	0.9857	0.1742	1.0	0.0449	1.0	0.0991	0.7895	0.1388	0.94	0.0922	0.9333	0.1329	0.7286	0.049	0.8286	0.3198	0.9	0.0232	0.7
7.0127	7.0	994	10.6621	0.2583	0.297	0.292	-1.0	0.2075	0.2737	0.7821	0.8987	0.9113	-1.0	0.7214	0.916	0.0088	0.8	0.5416	0.9647	0.2519	0.9444	0.3862	0.95	0.1977	0.9625	0.183	0.9333	0.0794	0.96	0.4767	0.805	0.4321	0.9615	0.4624	0.9643	0.42	0.9	0.2141	0.9786	0.4402	0.96	0.1659	1.0	0.1552	0.8211	0.0993	0.9533	0.1092	0.9556	0.0837	0.7786	0.353	0.8571	0.2944	0.8882	0.0701	0.8
7.1040	8.0	1136	10.9497	0.2791	0.3239	0.3177	-1.0	0.2893	0.2894	0.7796	0.9057	0.911	-1.0	0.8038	0.9138	0.0104	0.8167	0.7457	0.9647	0.2607	0.9556	0.6601	0.95	0.1946	0.9625	0.1462	0.9333	0.0503	0.92	0.5829	0.82	0.6416	0.9385	0.4414	0.9571	0.2341	0.84	0.2178	0.9857	0.2576	0.98	0.1035	0.9857	0.2389	0.8474	0.0761	0.9667	0.0919	0.9556	0.0841	0.7286	0.4107	0.8714	0.3392	0.9235	0.0737	0.8286
6.7829	9.0	1278	10.9346	0.3122	0.3543	0.3489	-1.0	0.2803	0.3296	0.7948	0.9115	0.9192	-1.0	0.8043	0.924	0.0184	0.8	0.6986	0.9647	0.229	0.9667	0.7064	0.95	0.2178	0.975	0.123	0.9556	0.2597	0.94	0.6141	0.835	0.6359	0.9462	0.568	0.9571	0.4532	0.9	0.2597	0.9857	0.3434	0.98	0.1308	0.9714	0.263	0.8684	0.0932	0.9533	0.1229	0.9556	0.1165	0.7357	0.3089	0.9	0.3132	0.9059	0.0813	0.8571
6.9093	10.0	1420	10.9431	0.2977	0.3348	0.3316	-1.0	0.2581	0.312	0.8002	0.914	0.9207	-1.0	0.7952	0.9256	0.0168	0.8	0.7351	0.9647	0.2201	0.9556	0.6354	0.95	0.2183	0.9625	0.1473	0.9556	0.0736	0.96	0.6003	0.85	0.6462	0.9462	0.5851	0.9357	0.4673	0.92	0.2841	0.9786	0.1496	1.0	0.1275	1.0	0.264	0.8421	0.1531	0.96	0.1283	0.9556	0.0914	0.7714	0.3491	0.8857	0.2874	0.9118	0.0724	0.8286

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: 6662531