Характеристики

Лицензия: Apache 2.0
Архитектура: d_fine · dense
Базовая модель: dfine-small-coco
Библиотека: transformers
Опубликована: 29 июн 2026

Ссылки

Hugging Face

dfine-small-construction-ppe-v1

thalostech2025

Поиск объектовИзображение → bounding_boxes3 профессии

Дообученный детектор D-FINE Small находит людей, средства защиты и строительную технику на изображениях.

37скачиваний за 30 дней0лайковвеса обновлены29 июн 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

thalostech2025/dfine-small-construction-ppe-v1 — детектор объектов D-FINE Small, дообученный на наборе thalostech2025/construction-ppe-equipment-v1 на основе ustc-community/dfine-small-coco. Модель предназначена для обнаружения людей, средств индивидуальной защиты и строительной техники на изображениях, в том числе для проверки наличия касок и сигнальных жилетов на строительной площадке.

В опубликованных результатах оценки на тестовом наборе mAP составляет 0,3579, а mAP для классов Person, Hardhat и Safety-vest — 0,7402, 0,5973 и 0,7389 соответственно. Результаты существенно различаются по классам: для No-mask, No-goggles и No-safety-vest приведённые значения mAP близки к нулю, поэтому обнаружение этих объектов ненадёжно. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Лицензия — Apache-2.0.

Сценарии применения

поиск людей на снимках строительной площадки
обнаружение касок и сигнальных жилетов у работников
выявление отсутствия касок на изображениях
обнаружение перчаток и защитной обуви
поиск экскаваторов, самосвалов и фронтальных погрузчиков

Ограничения

На опубликованной оценке качество сильно зависит от класса: mAP для No-mask и No-goggles равен 0, а для No-safety-vest — 0,001. Результаты на тестовом наборе не гарантируют надёжность в реальных условиях; перед применением для контроля безопасности нужна отдельная проверка.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

dfine-small-construction-ppe-v1

This model is a fine-tuned version of ustc-community/dfine-small-coco on the thalostech2025/construction-ppe-equipment-v1 dataset. It achieves the following results on the evaluation set:

Loss: 2.6627
Map: 0.3579
Map 50: 0.4601
Map 75: 0.4002
Map Small: 0.1736
Map Medium: 0.2436
Map Large: 0.4745
Mar 1: 0.3584
Mar 10: 0.543
Mar 100: 0.5699
Mar Small: 0.4171
Mar Medium: 0.476
Mar Large: 0.7197
Map Person: 0.7402
Mar 100 Person: 0.8192
Map Hardhat: 0.5973
Mar 100 Hardhat: 0.7
Map No-hardhat: 0.1582
Mar 100 No-hardhat: 0.6222
Map Safety-vest: 0.7389
Mar 100 Safety-vest: 0.7948
Map No-safety-vest: 0.001
Mar 100 No-safety-vest: 0.2733
Map No-mask: 0.0
Mar 100 No-mask: 0.0214
Map No-goggles: 0.0
Mar 100 No-goggles: 0.0667
Map Gloves: 0.1501
Mar 100 Gloves: 0.4205
Map Safety-boots: 0.2746
Mar 100 Safety-boots: 0.4958
Map Excavator: 0.4878
Mar 100 Excavator: 0.8667
Map Dump-truck: 0.2657
Mar 100 Dump-truck: 0.8125
Map Wheel-loader: 0.8808
Mar 100 Wheel-loader: 0.9455

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 30.0

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Person	Mar 100 Person	Map Hardhat	Mar 100 Hardhat	Map No-hardhat	Mar 100 No-hardhat	Map Safety-vest	Mar 100 Safety-vest	Map No-safety-vest	Mar 100 No-safety-vest	Mar 100 No-mask	Map No-goggles	Mar 100 No-goggles	Map Gloves	Mar 100 Gloves	Map Safety-boots	Mar 100 Safety-boots	Map Excavator	Mar 100 Excavator	Map Dump-truck	Mar 100 Dump-truck	Map Wheel-loader	Mar 100 Wheel-loader
No log	1.0	305	4.7930	0.1855	0.2742	0.2056	0.0526	0.1212	0.2218	0.27	0.3917	0.4416	0.1652	0.3143	0.546	0.5218	0.7423	0.3089	0.6361	0.0002	0.1778	0.5569	0.7134	0.0001	0.1533	0.0	0.0	0.0	0.0588	0.378	0.0266	0.1955	0.0225	0.6667	0.0307	0.7	0.7	0.9364
23.7150	2.0	610	4.1548	0.2186	0.3142	0.2439	0.0779	0.1365	0.2686	0.2542	0.4423	0.5005	0.3825	0.3748	0.6197	0.5383	0.7212	0.2043	0.676	0.0014	0.4667	0.6448	0.728	0.0001	0.2333	0.0	0.0	0.0	0.0543	0.497	0.0196	0.3968	0.2704	0.6667	0.1121	0.675	0.7785	0.9455
23.7150	3.0	915	3.8318	0.2425	0.3272	0.2749	0.0746	0.1746	0.3147	0.2862	0.503	0.5672	0.3837	0.446	0.7038	0.6169	0.7836	0.336	0.7097	0.0036	0.5889	0.6846	0.7711	0.0002	0.2933	0.0	0.0	0.0	0.0662	0.5284	0.0303	0.4415	0.1525	0.8667	0.1132	0.85	0.9064	0.9727
16.4356	4.0	1220	3.6373	0.2426	0.3284	0.2764	0.0907	0.1904	0.3053	0.286	0.5036	0.5815	0.3754	0.4541	0.736	0.6611	0.7976	0.4348	0.7186	0.0039	0.5889	0.7003	0.7795	0.0002	0.3467	0.0	0.0	0.0	0.0742	0.4914	0.0542	0.549	0.0726	0.9	0.1286	0.825	0.7806	0.9818
14.7326	5.0	1525	3.6059	0.2823	0.3548	0.3186	0.1088	0.1944	0.3472	0.3331	0.5098	0.5627	0.337	0.445	0.7217	0.6482	0.7762	0.3809	0.7075	0.0049	0.5889	0.6988	0.7718	0.0003	0.2867	0.0	0.0	0.0	0.0648	0.3799	0.047	0.5063	0.4286	0.9	0.2014	0.8625	0.9119	0.9727
14.7326	6.0	1830	3.4337	0.2678	0.3497	0.2965	0.1087	0.177	0.3483	0.2918	0.5307	0.5805	0.3134	0.483	0.7436	0.697	0.8062	0.454	0.7219	0.0129	0.6111	0.7203	0.7923	0.0005	0.32	0.0	0.0	0.0	0.0774	0.4362	0.0622	0.5333	0.2258	0.9	0.1102	0.9	0.8533	0.9455
13.8730	7.0	2135	3.3112	0.2862	0.3865	0.3179	0.1296	0.2205	0.3678	0.2994	0.5477	0.5937	0.381	0.4929	0.754	0.7195	0.819	0.5142	0.7446	0.013	0.5889	0.7176	0.7913	0.0006	0.3667	0.0	0.0	0.0333	0.0957	0.4362	0.1206	0.6114	0.2889	0.9	0.1941	0.8875	0.77	0.9455
13.8730	8.0	2440	3.3219	0.299	0.3796	0.3386	0.1301	0.1955	0.39	0.3308	0.5312	0.5921	0.3834	0.4872	0.7547	0.7216	0.8146	0.5243	0.7368	0.0145	0.6	0.7219	0.8008	0.0009	0.3667	0.0	0.0	0.0	0.0998	0.4571	0.0829	0.5904	0.4411	0.9	0.1704	0.875	0.8112	0.9636
13.3734	9.0	2745	3.2589	0.3051	0.3843	0.3451	0.1548	0.2249	0.4004	0.3313	0.5323	0.5906	0.3844	0.5041	0.7497	0.732	0.8218	0.5313	0.7302	0.0122	0.5778	0.7245	0.8038	0.0007	0.3933	0.0286	0.0	0.0	0.1047	0.4466	0.1159	0.6133	0.3143	0.8667	0.3065	0.85	0.8197	0.9545
12.8748	10.0	3050	3.2415	0.327	0.4125	0.3657	0.1554	0.2343	0.4258	0.3385	0.5476	0.5865	0.3892	0.4928	0.758	0.7222	0.8126	0.5262	0.7306	0.0186	0.5556	0.7276	0.8037	0.0007	0.3733	0.0286	0.0	0.0333	0.1234	0.4459	0.1327	0.5989	0.5253	0.8667	0.297	0.825	0.8506	0.9636
12.8748	11.0	3355	3.1340	0.3344	0.4231	0.3757	0.1708	0.2186	0.4306	0.345	0.5461	0.5892	0.3955	0.4908	0.7518	0.7389	0.8212	0.5322	0.7291	0.0193	0.6111	0.7297	0.8037	0.0008	0.3533	0.0	0.0	0.0333	0.1487	0.4828	0.1586	0.5933	0.516	0.8667	0.3194	0.8125	0.8487	0.9636
12.5548	12.0	3660	3.1837	0.3198	0.4027	0.3553	0.1594	0.2213	0.4169	0.3291	0.5514	0.5906	0.3984	0.4985	0.7379	0.738	0.8194	0.5403	0.7313	0.0214	0.5556	0.7197	0.7928	0.0009	0.38	0.05	0.0	0.0667	0.1344	0.4537	0.1632	0.5668	0.3403	0.9	0.3182	0.825	0.8617	0.9455
12.5548	13.0	3965	3.0663	0.3352	0.4354	0.3707	0.1464	0.2284	0.434	0.3557	0.5503	0.5891	0.4076	0.5012	0.7418	0.7178	0.8034	0.5672	0.7244	0.0379	0.5889	0.7233	0.7851	0.0011	0.3533	0.05	0.0	0.0333	0.1503	0.4575	0.1688	0.5857	0.4716	0.9333	0.2871	0.8	0.8977	0.9545
12.2871	14.0	4270	2.7447	0.3379	0.456	0.367	0.16	0.23	0.4328	0.3518	0.5477	0.5937	0.4078	0.4904	0.7623	0.7359	0.8152	0.5891	0.7058	0.077	0.6222	0.7253	0.7932	0.001	0.3867	0.0071	0.0	0.0667	0.1815	0.4799	0.2259	0.569	0.2823	0.9333	0.3158	0.8	0.9204	0.9455
12.0066	15.0	4575	2.6533	0.3644	0.4715	0.411	0.1841	0.2192	0.4815	0.3505	0.56	0.5797	0.4234	0.483	0.7412	0.7416	0.818	0.586	0.6987	0.1121	0.5889	0.73	0.7927	0.0008	0.3133	0.0071	0.0	0.0333	0.1736	0.4567	0.2656	0.5682	0.5393	0.9	0.3274	0.825	0.8967	0.9545
12.0066	16.0	4880	2.6616	0.3588	0.4877	0.3937	0.179	0.239	0.4712	0.3569	0.5524	0.5797	0.3837	0.4934	0.7411	0.7454	0.8261	0.5935	0.7022	0.1274	0.6333	0.7336	0.7903	0.0006	0.32	0.0071	0.0	0.0333	0.1599	0.4444	0.2585	0.5604	0.4957	0.9	0.2904	0.8125	0.9007	0.9273
11.7209	17.0	5185	2.6807	0.3716	0.4777	0.4173	0.1844	0.2469	0.4742	0.3705	0.5492	0.5712	0.3957	0.4843	0.724	0.7256	0.8002	0.5863	0.6995	0.1554	0.6111	0.7309	0.7891	0.001	0.3	0.0214	0.0	0.0333	0.1759	0.453	0.254	0.5435	0.5874	0.8333	0.3428	0.825	0.9001	0.9455
11.7209	18.0	5490	2.6444	0.3709	0.4896	0.4154	0.1788	0.2414	0.4831	0.3555	0.553	0.5859	0.4014	0.4962	0.7498	0.7411	0.8214	0.598	0.702	0.1266	0.6	0.7389	0.7943	0.001	0.3533	0.0214	0.0	0.0333	0.169	0.4519	0.271	0.5606	0.5697	0.9	0.3187	0.8375	0.9172	0.9545
11.6491	19.0	5795	2.6604	0.3668	0.481	0.4116	0.1836	0.2263	0.4786	0.3655	0.5583	0.5922	0.4164	0.4946	0.7551	0.7413	0.8182	0.5941	0.7026	0.1347	0.6333	0.7398	0.797	0.0012	0.3667	0.0143	0.0	0.1333	0.1598	0.4474	0.2691	0.532	0.5764	0.9	0.2918	0.825	0.8936	0.9364
11.4519	20.0	6100	2.6343	0.3565	0.5007	0.38	0.1826	0.2282	0.4782	0.3513	0.5539	0.5922	0.4156	0.5033	0.7353	0.7377	0.8204	0.6022	0.7056	0.1485	0.6111	0.7333	0.7968	0.0007	0.3133	0.0071	0.0001	0.1667	0.1761	0.4653	0.2743	0.5535	0.3778	0.9	0.3122	0.8125	0.9157	0.9545
11.4519	21.0	6405	2.6694	0.3546	0.4562	0.3993	0.1628	0.2369	0.4629	0.3522	0.5588	0.5774	0.4108	0.4819	0.7316	0.7376	0.815	0.5923	0.7013	0.1418	0.6111	0.7357	0.7963	0.0011	0.3333	0.0071	0.0	0.0333	0.1613	0.4474	0.256	0.5008	0.5046	0.9	0.2752	0.8375	0.8496	0.9455
11.2848	22.0	6710	2.6583	0.3456	0.4588	0.3792	0.1871	0.2376	0.4587	0.3347	0.5416	0.5664	0.4101	0.4775	0.7108	0.7393	0.816	0.6033	0.7086	0.1384	0.5889	0.7302	0.787	0.0008	0.28	0.0214	0.0	0.0333	0.1646	0.4414	0.2619	0.4916	0.3609	0.8667	0.2797	0.825	0.8677	0.9364
11.2548	23.0	7015	2.6603	0.3607	0.4761	0.4072	0.1738	0.2398	0.4812	0.3517	0.5465	0.5767	0.4198	0.4737	0.7441	0.7423	0.8172	0.595	0.7013	0.1332	0.6667	0.7295	0.7873	0.0011	0.3067	0.0143	0.0	0.0333	0.1601	0.4347	0.265	0.5098	0.5134	0.9	0.2984	0.8125	0.8903	0.9364
11.2548	24.0	7320	2.6721	0.3583	0.4658	0.3986	0.1656	0.2369	0.4791	0.3593	0.5533	0.5827	0.41	0.491	0.7201	0.7371	0.8122	0.5888	0.6969	0.1378	0.6	0.7378	0.7948	0.0009	0.32	0.0143	0.0001	0.1667	0.1504	0.4198	0.2715	0.4846	0.5046	0.9	0.2803	0.8375	0.8906	0.9455
11.1566	25.0	7625	2.6563	0.3728	0.4796	0.4188	0.1829	0.2411	0.4944	0.3578	0.5475	0.5697	0.4121	0.4792	0.7157	0.7459	0.8204	0.596	0.7	0.1497	0.6	0.7374	0.7923	0.001	0.2867	0.0357	0.0	0.0333	0.1555	0.4455	0.2669	0.4977	0.6144	0.8667	0.313	0.8125	0.8933	0.9455
11.1566	26.0	7930	2.6494	0.3715	0.48	0.4148	0.1917	0.2449	0.4935	0.3587	0.5483	0.5679	0.4082	0.4651	0.7246	0.744	0.82	0.5978	0.7004	0.1646	0.6	0.7395	0.7928	0.001	0.28	0.0214	0.0	0.0333	0.1487	0.4325	0.2854	0.5099	0.6	0.8667	0.2886	0.8125	0.8883	0.9455
11.0968	27.0	8235	2.6704	0.3611	0.4698	0.403	0.1693	0.2442	0.4806	0.3596	0.5513	0.5778	0.4273	0.4816	0.7296	0.7393	0.8184	0.597	0.7042	0.1785	0.6333	0.7386	0.7925	0.0009	0.3067	0.05	0.0	0.0667	0.1487	0.4287	0.2747	0.4992	0.4788	0.8667	0.3095	0.8125	0.8678	0.9545
11.0700	28.0	8540	2.6652	0.3631	0.4658	0.4052	0.1686	0.2453	0.4827	0.3451	0.5341	0.5606	0.4181	0.4731	0.7025	0.7418	0.818	0.5923	0.698	0.1592	0.6111	0.741	0.7975	0.0008	0.2867	0.0143	0.0	0.0333	0.1454	0.4134	0.2787	0.4926	0.6	0.8667	0.2192	0.75	0.8786	0.9455
11.0700	29.0	8845	2.6561	0.3601	0.4632	0.404	0.1807	0.2454	0.4782	0.3591	0.5506	0.5657	0.4224	0.4687	0.7246	0.7426	0.8216	0.5964	0.6985	0.162	0.6111	0.7422	0.7978	0.001	0.2933	0.0143	0.0	0.0	0.1515	0.4216	0.2831	0.5051	0.4715	0.8667	0.3013	0.8125	0.8698	0.9455
11.0346	30.0	9150	2.6627	0.3579	0.4601	0.4002	0.1736	0.2436	0.4745	0.3584	0.543	0.5699	0.4171	0.476	0.7197	0.7402	0.8192	0.5973	0.7	0.1582	0.6222	0.7389	0.7948	0.001	0.2733	0.0214	0.0	0.0667	0.1501	0.4205	0.2746	0.4958	0.4878	0.8667	0.2657	0.8125	0.8808	0.9455

Framework versions

Transformers 5.12.1
Pytorch 2.12.1+cu130
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · object-detection

Можно запустить

Подбираем GPU…

Класс архитектуры: DFineForObjectDetection
Ревизия весов: 4931a41