/ Модель

Характеристики

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

mm_grounding_dino_large_all

Поиск объектовИзображение → bounding_boxes6 профессий

MM Grounding DINO Large обнаруживает объекты на изображениях по текстовым запросам без обучения на каждом новом наборе классов.

63 871скачиваний за 30 дней21лайквеса 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 Large — модель компьютерного зрения семейства Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов по текстовым запросам без отдельного обучения на каждом заданном классе: на вход подаются изображение и текстовые описания объектов, на выходе — найденные объекты с ограничивающими рамками и оценками уверенности.

Модель улучшает Grounding DINO за счёт контрастивной классификационной головы и отказа от разделения параметров декодера. В карточке для семейства указаны результаты на COCO и LVIS, но приведённые подробные таблицы относятся к вариантам tiny и не подтверждают показатели именно этой версии large. Модель обучалась на наборах Objects365, Open Images, GOLD-G, V3Det, COCO, LVIS, GRIT и RefCOCO.

Модель работает с изображениями и текстом и выдаёт текстовые категории, оценки и координаты рамок. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия Apache-2.0.

Сценарии применения

  • поиск заданных объектов на фотографиях по текстовому описанию
  • обнаружение объектов открытого словаря без обучения на новых классах
  • автоматическая разметка изображений ограничивающими рамками
  • поиск объектов в наборах изображений по естественно-языковому запросу

Ограничения

Качество зависит от формулировки текстового запроса и распределения объектов в обучающих данных. Указанные подробные результаты для COCO и LVIS в карточке относятся к вариантам tiny, поэтому их нельзя переносить на эту версию large.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MM Grounding DINO (large 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_large_all"
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
0445d0a

0 моделей