Характеристики

Размер весов: 136 МБ
Лицензия: Apache 2.0
Архитектура: rf-detr · dense
Библиотека: mlx
Опубликована: 30 июн 2026

Ссылки

Hugging Face

rfdetr-large-2026-mlx-fp32

mnmly

Поиск объектовИзображение → bounding_boxes3 профессии

Конверсия RF-DETR Large в MLX для обнаружения объектов 90 классов COCO на изображениях в системах Apple Silicon.

15скачиваний за 30 дней0лайковвеса обновлены30 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

Это конверсия модели обнаружения объектов Roboflow RF-DETR Large (2026) в формат MLX для запуска через mlx-swift-rf-detr на компьютерах Apple Silicon. Модель обрабатывает изображения и находит объекты из 90 классов COCO; для предсказания в примере используются порог уверенности 0,3 и порог NMS 0,5.

Архитектура основана на RF-DETR с backbone dinov2_windowed_small, четырьмя слоями декодера и 300 запросами. Веса представлены в точности fp32 в файле safetensors; для обработки используются разрешение 704 и конфигурация с препроцессором. Репозиторий создан 30 июня 2026 года и распространяется по лицензии Apache-2.0.

Сценарии применения

поиск объектов на фотографиях
обнаружение объектов из набора COCO
анализ изображений на Apple Silicon
локальный запуск детектора объектов через Swift

Ограничения

Предназначена для запуска через mlx-swift-rf-detr на Apple Silicon; модель обнаруживает объекты только среди 90 классов COCO.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей 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 Large (2026) — MLX, fp32

MLX-format conversion of Roboflow's RF-DETR Large (2026) object-detection model, for use with mlx-swift-rf-detr on Apple Silicon.

Upstream: roboflow/rf-detr (Apache-2.0), checkpoint rf-detr-large-2026.pth
Task: object detection — COCO, 90 classes
Resolution: 704 · decoder layers: 4 · queries: 300 · backbone: dinov2_windowed_small (hidden 256)
Precision: fp32
Files: config.json + preprocessor_config.json + model.safetensors

Conversion

Converted from the upstream PyTorch checkpoint with Scripts/convert_detection.py large-2026. Config values are read from the upstream RFDETRLargeConfig; weights keep their model. prefix and NCHW conv layout (the Swift loader transposes conv weights to NHWC at load).

Usage (Swift)

import MLXRFDETR

let dir = URL(fileURLWithPath: "rfdetr-large-2026-mlx-fp32")   // this repo's downloaded files
let predictor = try MLXRFDETR.fromPretrained(dir, scoreThreshold: 0.3, nmsThreshold: 0.5)
let result = try predictor.predict(url: URL(fileURLWithPath: "image.jpg"))

License

Apache 2.0 — see LICENSE. Model architecture and weights © Roboflow, Inc. This repository redistributes a format-converted copy of the upstream Apache-2.0 weights; no weights were retrained or modified beyond the PyTorch→MLX serialization.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов: 74c33b2