/ Модель

Характеристики

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

mm_grounding_dino_tiny_o365v1_goldg_v3det

Поиск объектовИзображение → bounding_boxes5 профессий

Компактная модель MM Grounding DINO обнаруживает объекты на изображениях по текстовым запросам и поддерживает zero-shot-обнаружение.

15 807скачиваний за 30 дней3лайкавеса 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 Tiny — модель обнаружения объектов с открытым словарём, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она принимает изображение и текстовые запросы с названиями объектов и возвращает обнаруженные объекты с рамками и оценками. Вариант Tiny использует backbone Swin-T; улучшенная контрастивная голова классов и отдельные параметры декодера повышают качество zero-shot-обнаружения. Модель обучена на Objects365v1, GOLD-G и V3Det.

Модель предназначена для поиска объектов по текстовому описанию без необходимости ограничиваться фиксированным набором классов, а также для задач обнаружения объектов на изображениях. В приведённых результатах вариант показал 50,6 COCO mAP и 30,6 AP на LVIS Val1.0. Весовые файлы представлены в формате safetensors и распространяются по лицензии Apache-2.0.

Сценарии применения

  • поиск объектов на изображении по текстовым названиям
  • обнаружение объектов с открытым набором классов
  • разметка изображений рамками объектов
  • поиск редких категорий объектов на изображениях

Ограничения

Качество зависит от формулировки текстовых запросов и может отличаться для объектов и сцен, представленных недостаточно в обучающих данных. В README приведены результаты на COCO и LVIS, но не гарантируется такое же качество на других наборах данных.

Для каких профессий подходит5

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 (tiny 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_tiny_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
ef2053a

0 моделей