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-agree2

merve

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученная RF-DETR модель для обнаружения дорожных знаков и сигналов светофора на изображениях.

21скачиваний 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-agree2 — это дообученная на неизвестном наборе данных модель обнаружения объектов на основе Roboflow/rf-detr-base. Она предназначена для поиска и локализации дорожных знаков и сигналов на изображениях, включая знаки «Въезд запрещён», «Остановка запрещена», «Парковка», «Пешеходный переход», «Железнодорожный переезд», предупреждающие знаки и сигналы светофора. Архитектура RF-DETR использует трансформерный подход к обнаружению объектов; модель работает с изображениями и выдаёт обнаруженные классы и их положения.

В карточке приведены метрики оценки по классам: результаты заметно различаются, например, mAP составляет 0.4958 для «Въезд запрещён» и 0.0292 для класса «Светофор». Для класса «Автобусная остановка» метрики указаны как -1.0, поэтому оценить качество по нему нельзя. Датасет и условия тестирования не описаны. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

Поиск дорожных знаков на кадрах с автомобильной камеры
Обнаружение запрещающих и предписывающих знаков
Выявление пешеходных переходов и железнодорожных переездов
Распознавание сигналов светофора на изображениях
Локализация дорожных знаков для анализа дорожной обстановки

Ограничения

Датасет неизвестен, а качество оценки заметно различается между классами; для класса «Светофор» mAP составляет 0.0292. Для класса «Автобусная остановка» метрики равны -1.0, поэтому качество для него по карточке оценить нельзя.

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-roadsign-agree2

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: 11.2676
Map: 0.2815
Map 50: 0.3324
Map 75: 0.2924
Map Small: 0.7112
Map Medium: 0.3387
Map Large: 0.2795
Mar 1: 0.761
Mar 10: 0.8776
Mar 100: 0.8871
Mar Small: 0.7333
Mar Medium: 0.56
Mar Large: 0.8946
Map Bus Stop: -1.0
Mar 100 Bus Stop: -1.0
Map Do Not Enter: 0.4958
Mar 100 Do Not Enter: 0.9083
Map Do Not Stop: 0.2217
Mar 100 Do Not Stop: 0.9267
Map Do Not Turn L: 0.1535
Mar 100 Do Not Turn L: 0.875
Map Do Not Turn R: 0.3799
Mar 100 Do Not Turn R: 1.0
Map Do Not U Turn: 0.2976
Mar 100 Do Not U Turn: 0.9375
Map Enter Left Lane: 0.4876
Mar 100 Enter Left Lane: 0.96
Map Green Light: 0.3737
Mar 100 Green Light: 0.7818
Map Left Right Lane: 0.5669
Mar 100 Left Right Lane: 0.9875
Map No Parking: 0.2065
Mar 100 No Parking: 0.9333
Map Parking: 0.3454
Mar 100 Parking: 0.8333
Map Ped Crossing: 0.3321
Mar 100 Ped Crossing: 0.9333
Map Ped Zebra Cross: 0.1713
Mar 100 Ped Zebra Cross: 0.9556
Map Railway Crossing: 0.2636
Mar 100 Railway Crossing: 0.96
Map Red Light: 0.1826
Mar 100 Red Light: 0.6917
Map Stop: 0.2961
Mar 100 Stop: 0.9444
Map T Intersection L: 0.0455
Mar 100 T Intersection L: 0.975
Map Traffic Light: 0.0292
Mar 100 Traffic Light: 0.5214
Map U Turn: 0.1684
Mar 100 U Turn: 0.8833
Map Warning: 0.2717
Mar 100 Warning: 0.9846
Map Yellow Light: 0.3402
Mar 100 Yellow Light: 0.75

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 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	Map Bus Stop	Mar 100 Bus Stop
24.1352	1.0	133	16.5739	0.0	0.0001	0.0	0.0	0.0	0.0	0.0004	0.0075	0.0419	0.0	0.0	0.0446	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	0.0	0.0004	0.3444	0.0	0.0	0.0001	0.0333	0.0	0.0	0.0003	0.3889	0.0	0.0	0.0	0.0714	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.0
11.3730	2.0	266	13.0612	0.003	0.0096	0.0013	0.0	0.0007	0.003	0.0628	0.1418	0.1668	0.0	0.0261	0.1718	-1.0	-1.0	0.0071	0.0333	0.0	0.0	0.0064	0.15	0.0003	0.6	0.0148	0.5375	0.0046	0.0867	0.0003	0.0182	0.0	0.0	0.0006	0.0267	0.0	0.0	0.0067	0.6889	0.0	0.0	0.0025	0.2733	0.0004	0.0583	0.001	0.0222	0.0	0.0	0.0009	0.1571	0.0	0.0	0.0136	0.6846	0.0	0.0
8.8875	3.0	399	10.9539	0.0303	0.043	0.0309	0.0	0.0351	0.0399	0.2939	0.4263	0.4514	0.0	0.3194	0.4565	-1.0	-1.0	0.0146	0.275	0.0013	0.04	0.0129	0.875	0.0167	0.9	0.0623	0.8188	0.0108	0.8067	0.014	0.5591	0.0217	0.925	0.0152	0.72	0.0	0.0	0.1779	0.8389	0.0	0.0	0.0758	0.4667	0.0028	0.3667	0.0015	0.1667	0.0	0.0	0.0751	0.2	0.0	0.0	0.0522	0.8692	0.0505	0.2
8.0101	4.0	532	10.3960	0.0556	0.0749	0.0614	0.2322	0.0872	0.0564	0.5017	0.6379	0.6541	0.2667	0.3933	0.6667	-1.0	-1.0	0.0574	0.8583	0.1067	0.8733	0.0091	0.75	0.0105	0.9	0.0687	0.9187	0.1162	0.9067	0.1253	0.6409	0.0825	0.9875	0.0338	0.9	0.0109	0.2667	0.1453	0.9	0.0027	0.1	0.0589	0.6933	0.0208	0.475	0.1237	0.9111	0.0	0.0	0.0047	0.3	0.0021	0.35	0.1065	0.9	0.0267	0.45
7.6896	5.0	665	9.7700	0.1189	0.1398	0.1249	0.2738	0.2094	0.1176	0.7129	0.8363	0.8521	0.4667	0.5744	0.8531	-1.0	-1.0	0.0373	0.8833	0.0837	0.9333	0.0784	0.9	0.0696	0.9	0.2365	0.9438	0.1113	0.9533	0.2727	0.7545	0.3578	1.0	0.1671	0.88	0.0801	0.9	0.1694	0.9611	0.0164	0.9444	0.0878	0.8867	0.0426	0.5833	0.0788	0.9333	0.0208	0.7	0.032	0.3714	0.0165	0.8667	0.3041	0.9462	0.1146	0.8
7.2895	6.0	798	10.1798	0.1817	0.2111	0.2012	0.4419	0.2374	0.174	0.7467	0.876	0.8856	0.7	0.5694	0.8919	-1.0	-1.0	0.281	0.9	0.117	0.88	0.0341	0.925	0.0457	1.0	0.2552	0.9563	0.3588	0.9467	0.3751	0.7727	0.4468	1.0	0.1211	0.9533	0.3992	0.9	0.3758	0.9333	0.0244	0.9333	0.1971	0.8933	0.087	0.65	0.1371	0.9556	0.0342	0.95	0.0103	0.4929	0.0487	0.9	0.2468	0.9692	0.0385	0.8
7.1047	7.0	931	10.5961	0.2343	0.2785	0.2469	0.5509	0.3183	0.224	0.7346	0.8715	0.8775	0.6667	0.5267	0.8884	-1.0	-1.0	0.3472	0.9	0.2627	0.9133	0.0537	0.9	0.1563	0.95	0.203	0.925	0.3604	0.96	0.3856	0.8091	0.6891	0.9875	0.2315	0.94	0.404	0.9333	0.3475	0.9056	0.0602	0.9222	0.2107	0.96	0.0876	0.5833	0.2681	0.9556	0.0447	0.95	0.022	0.4929	0.0469	0.85	0.2312	0.9615	0.2744	0.75
6.7722	8.0	1064	10.8932	0.2772	0.3205	0.2946	0.7332	0.3556	0.2815	0.7724	0.8719	0.8835	0.7667	0.5444	0.8923	-1.0	-1.0	0.5526	0.9083	0.2559	0.9133	0.0974	0.9	0.604	1.0	0.3144	0.9563	0.4236	0.9467	0.3985	0.8045	0.4066	0.9625	0.2183	0.9267	0.3085	0.8667	0.3855	0.9278	0.1283	0.9444	0.3619	0.98	0.1817	0.75	0.1262	0.9333	0.1153	0.95	0.0181	0.5357	0.0779	0.8667	0.3141	0.9462	0.2555	0.65
6.6882	9.0	1197	11.2337	0.2837	0.3344	0.2945	0.6943	0.3481	0.28	0.7655	0.8737	0.8819	0.7667	0.545	0.8913	-1.0	-1.0	0.4763	0.925	0.205	0.9133	0.1515	0.9	0.5	1.0	0.3449	0.9375	0.4165	0.94	0.4026	0.7864	0.5967	1.0	0.1763	0.94	0.259	0.8	0.3273	0.9278	0.2502	0.9222	0.2404	0.96	0.175	0.7	0.2389	0.9333	0.0678	0.975	0.0455	0.55	0.1536	0.85	0.2937	0.9769	0.3521	0.7
6.5118	10.0	1330	11.2676	0.2815	0.3324	0.2924	0.7112	0.3387	0.2795	0.761	0.8776	0.8871	0.7333	0.56	0.8946	-1.0	-1.0	0.4958	0.9083	0.2217	0.9267	0.1535	0.875	0.3799	1.0	0.2976	0.9375	0.4876	0.96	0.3737	0.7818	0.5669	0.9875	0.2065	0.9333	0.3454	0.8333	0.3321	0.9333	0.1713	0.9556	0.2636	0.96	0.1826	0.6917	0.2961	0.9444	0.0455	0.975	0.0292	0.5214	0.1684	0.8833	0.2717	0.9846	0.3402	0.75

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: a245de1