/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
mm-grounding-dino · dense
Библиотека
transformers
Опубликована
30 мая 2025

mm_grounding_dino_base_o365v1_goldg_v3det

Поиск объектовИзображение → bounding_boxes4 профессии

Модель находит объекты на изображениях по текстовым запросам, включая категории за пределами фиксированного набора классов.

365скачиваний за 30 дней0лайковвеса обновлены23 июл 2025

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

MM Grounding DINO — модель обнаружения объектов с открытым словарём, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Эта базовая версия обучена на Objects365v1, GOLD-G и V3Det и предназначена для поиска объектов на изображениях по текстовым запросам, в том числе по категориям, не заданным фиксированным набором меток.

Модель развивает Grounding DINO: в ней улучшена контрастивная классификационная голова и устранено совместное использование параметров декодером. По данным авторов, улучшения повышают качество обнаружения без обучения на целевых категориях; для семейства приведены результаты на COCO и LVIS. Репозиторий содержит веса safetensors для библиотеки Transformers.

Модель принимает изображение и текстовое описание искомых объектов и возвращает рамки объектов с оценками соответствия. Лицензия Apache-2.0. Карточка не приводит ограничений по применению; качество зависит от формулировок запросов и распределения объектов в изображениях.

Сценарии применения

  • поиск заданных объектов на фотографии по текстовому описанию
  • обнаружение объектов в изображениях без обучения под каждый новый класс
  • поиск предметов на изображениях из открытого словаря категорий

Ограничения

Качество зависит от формулировки текстового запроса и состава изображений; численные результаты в карточке относятся к оценкам авторов на COCO и LVIS.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MM Grounding DINO (base variant)

MM Grounding DINO model was proposed in An Open and Comprehensive Pipeline for Unified Object Grounding and Detection by Xiangyu Zhao, Yicheng Chen, Shilin Xu, Xiangtai Li, Xinjiang Wang, Yining Li, Haian Huang.

MM Grounding DINO improves upon the Grounding DINO by improving the contrastive class head and removing the parameter sharing in the decoder, improving zero-shot detection performance on both COCO (50.6(+2.2) AP) and LVIS (31.9(+11.8) val AP and 41.4(+12.6) minival AP).

You can find all the original MM Grounding DINO checkpoints under the MM Grounding DINO collection.

Intended uses

You can use the raw model for zero-shot object detection.

Here's how to use the model for zero-shot object detection:

import torch
from transformers import AutoModelForZeroShotObjectDetection, AutoProcessor
from transformers.image_utils import load_image


# Prepare processor and model
model_id = "rziga/mm_grounding_dino_base_o365v1_goldg_v3det"
device = "cuda" if torch.cuda.is_available() else "cpu"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForZeroShotObjectDetection.from_pretrained(model_id).to(device)

# Prepare inputs
image_url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = load_image(image_url)
text_labels = [["a cat", "a remote control"]]
inputs = processor(images=image, text=text_labels, return_tensors="pt").to(device)

# Run inference
with torch.no_grad():
    outputs = model(**inputs)

# Postprocess outputs
results = processor.post_process_grounded_object_detection(
    outputs,
    threshold=0.4,
    target_sizes=[(image.height, image.width)]
)

# Retrieve the first image result
result = results[0]
for box, score, labels in zip(result["boxes"], result["scores"], result["labels"]):
    box = [round(x, 2) for x in box.tolist()]
    print(f"Detected {labels} with confidence {round(score.item(), 3)} at location {box}")

Training Data

This model was trained on:

Evaluation results

BibTeX entry and citation info

@article{zhao2024open,
  title={An Open and Comprehensive Pipeline for Unified Object Grounding and Detection},
  author={Zhao, Xiangyu and Chen, Yicheng and Xu, Shilin and Li, Xiangtai and Wang, Xinjiang and Li, Yining and Huang, Haian},
  journal={arXiv preprint arXiv:2401.02361},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · object-detection

Нельзя запустить

Для архитектуры mm-grounding-dino нет загрузчика под задачу object-detection.

Класс архитектуры
MMGroundingDinoForObjectDetection
Ревизия весов
6f52a61

0 моделей