/ Модель

Характеристики

Архитектура
dbnet · dense
Библиотека
transformers
Опубликована
2 дек 2025

dbnet_res18_text_detection_v0.1

Поиск объектовИзображение → bounding_boxes5 профессий

DBNet с backbone ResNet-18 обнаруживает горизонтальные и наклонённые текстовые области на естественных изображениях.

56скачиваний за 30 дней2лайкавеса обновлены2 дек 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

DBNet — модель компьютерного зрения для обнаружения текстовых областей на естественных изображениях, подготовленная shuzi-mewtant для использования с библиотекой Hugging Face Transformers. В архитектуре DBNet используется backbone ResNet-18 и Feature Pyramid Network для объединения признаков разных масштабов. Модель принимает RGB-изображение, автоматически изменяет его размер или дополняет до входа 1024×1024 пикселя и формирует карты вероятностей для локализации текста.

Модель предназначена для поиска горизонтальных и наклонённых текстовых областей, например на фотографиях вывесок и уличных сцен. Для лучшей локализации README описывает постобработку с NMS и расширением рамок; обучение проводилось на ICDAR 2015. Карточка не приводит конкретных метрик качества. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск текста на фотографиях вывесок
  • локализация наклонённого текста в уличных сценах
  • обнаружение текстовых областей перед OCR
  • выделение текстовых рамок на изображениях

Ограничения

Обучение проводилось на ICDAR 2015, поэтому качество на других типах изображений и языках может отличаться. В карточке не приведены численные метрики качества.

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

DBNet for Text Detection

Model Hub: shuzi-mewtant/dbnet_res18_text_detection_v0.1

This is a DBNet model for text detection, ported to Hugging Face Transformers. It uses a ResNet-18 backbone and Feature Pyramid Network (FPN) for multi-scale feature fusion. The model was trained on the ICDAR 2015 dataset and supports detecting text in natural images.

Usage

from transformers import pipeline

# Load pipeline
ocr_pipe = pipeline(
    "object-detection",
    model="shuzi-mewtant/dbnet_res18_text_detection_v0.1",
    trust_remote_code=True
)

# Run inference
image_path = "path/to/image.jpg"
results = ocr_pipe(image_path)

for res in results:
    print(f"Box: {res['box']}, Score: {res['score']}")

Local usage

If you have downloaded the model locally, you can use it directly:

from transformers import AutoModel, AutoImageProcessor
from pipeline import DBNetPipeline

model_path = "/path/to/dbnet_res18_text_detection_v0.1"
model = AutoModel.from_pretrained(model_path, trust_remote_code=True)
processor = AutoImageProcessor.from_pretrained(model_path, trust_remote_code=True)
pipe = DBNetPipeline(model=model, image_processor=processor, task="object-detection")

results = pipe("path/to/image.jpg")
print(f"Found {len(results)} text regions")
for result in results:
    box = result['box']
    score = result['score']
    print(f"Box: {box}, Score: {score:.3f}")

Testing the model

You can test the model using the provided test script:

cd /path/to/dbnet_res18_text_detection_v0.1
python test_model.py

Model Details

  • Architecture: DBNet with ResNet-18 backbone and FPN
  • Input size: 1024x1024 pixels (automatically padded/resized)
  • Output: 3-channel probability maps (shrink, threshold, binary)
  • Training data: ICDAR 2015 dataset
  • Normalization: RGB with mean [123.675, 116.28, 103.53] and std [58.395, 57.12, 57.375]

Performance

The model achieves competitive performance on text detection benchmarks:

  • Trained on ICDAR 2015 dataset
  • Supports detection of horizontal and oriented text
  • Post-processing includes NMS and box expansion for better localization

Installation

pip install torch torchvision transformers opencv-python pillow safetensors

Or install from the requirements file:

pip install -r requirements.txt

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · object-detection

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DBNetForTextDetection
Ревизия весов
4b01fef

0 моделей