Характеристики

Лицензия: Apache 2.0
Опубликована: 29 авг 2026

Ссылки

anylearning-rfdetr-locust-keypoints

Классификация и разметка

Дообученная RF-DETR обнаруживает пустынную саранчу и оценивает её позу по 35 анатомическим ключевым точкам на изображении.

0скачиваний за 30 дней0лайковвеса обновлены29 авг 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 дообученная модель RF-DETR для обнаружения пустынной саранчи и оценки позы по 35 анатомическим ключевым точкам. Её подготовили в AnyLearning OSS на основе официального контрольного чекпойнта RF-DETR Keypoint Preview; веса доступны в нативном формате PyTorch и в ONNX. Экспорт ONNX принимает изображение размером 576 × 576 и выдаёт рамку объекта, класс и координаты ключевых точек.

Модель предназначена для локализации одной особи пустынной саранчи и определения положения её анатомических ориентиров на изображении. Она обучалась на контролируемых изображениях в оттенках серого размером 160 × 160 из набора DeepPoseKit-Data: 630 обучающих и 70 проверочных изображений. На проверочной выборке авторы сообщают keypoint mAP 0,846; эти показатели относятся только к данному разбиению данных.

Проверяйте качество на собственных изображениях, особенно при другой съёмке, позах или перекрытиях: набор содержит одну особь на изображение и ограниченные условия съёмки. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

обнаружение пустынной саранчи на изображениях
оценка позы саранчи по анатомическим ориентирам
локализация головы, конечностей и других ключевых точек саранчи
подготовка разметки позы саранчи для анализа изображений

Ограничения

Модель обучалась на небольшом наборе контролируемых изображений в оттенках серого с одной особью на изображение; результаты проверки относятся только к этому набору. Качество на других видах, камерах, диапазонах поз и при перекрытиях нужно оценить отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AnyLearning RF-DETR Desert Locust Keypoints

An RF-DETR Keypoint Preview checkpoint trained and validated end to end in AnyLearning OSS. It detects one Desert Locust and predicts 35 named anatomical landmarks.

Held-out prediction

Files

model_best.pth — native RF-DETR checkpoint
exported_model.onnx — checked ONNX graph with a fixed 1 × 3 × 576 × 576 input and box, class and 35-keypoint outputs
config.yml — landmark order, thresholds and training configuration
labels.json — AnyLearning project schema, including 26 skeleton edges
metrics.json — machine-readable validation and held-out-image measurements

Training data

The public Desert Locust archives contain 630 training and 70 validation images from DeepPoseKit-Data. Both archives embed their Apache-2.0 attribution and the Graving et al. (2019) citation. Images are 160 × 160 pixels with one annotated locust per image.

Training continued the official RF-DETR Keypoint Preview checkpoint for 5 epochs and then for 10 more epochs with batch size 2, gradient accumulation 4, learning rate 5e-5, 576-pixel model input, bfloat16 mixed precision and horizontal flipping. The left/right landmark pairing used by the flip is recorded in config.yml.

Evaluation

Final epoch metrics on the 70-image validation split:

Metric	Value
Keypoint mAP (50:95)	0.846
Keypoint mAP@50	1.000
Keypoint mAP (EMA)	0.849
Box mAP (50:95)	0.975
Box mAP@50	1.000

An additional application-level inference check used one validation image that was excluded from training. AnyLearning reloaded the registered native model, returned one box and all 35 landmarks, and rendered the prediction. Against the stored ground truth, mean error was 2.45 px, median error 1.70 px, PCK@5 px 91.4%, PCK@10 px 97.1%, and maximum error 11.71 px on the 160 × 160 image.

These figures describe this split only. The dataset has a single individual, fixed image size and controlled grayscale imagery. Evaluate on your own camera, species, pose range and occlusion patterns before relying on it.

Checksums

File	SHA-256
`model_best.pth`	`7ccfdfeb72ea59aa601678f8699ffa7b806009148b9edd7534e0595850461b58`
`exported_model.onnx`	`70f5ed0fe988ed2e7480d9b59aa5776224cc6564fcf93f898c35fe06ba04983a`

Licence and citation

The RF-DETR code and released Keypoint Preview weights are Apache-2.0, and the DeepPoseKit-Data repository publishes its example datasets under Apache-2.0. Preserve the supplied attribution and cite:

Graving, J. M. et al. (2019). DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. eLife, 8, e47994. https://doi.org/10.7554/eLife.47994

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: 4181d76