Характеристики

Контекст: 1 024 токена
Параметры: 6,3 млн
Лицензия: Apache 2.0
Архитектура: detr · dense
Базовая модель: detr-resnet-50
Библиотека: transformers
Опубликована: 6 окт 2026

Ссылки

Hugging Face

detr-r50-furniture-full

thought0129

Поиск объектовИзображение → bounding_boxes

Дообученная DETR на базе ResNet-50 для обнаружения объектов, предположительно мебели, на изображениях.

146скачиваний за 30 дней0лайковвеса обновлены6 окт 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

thought0129/detr-r50-furniture-full — модель обнаружения объектов на изображениях, дообученная автором на основе facebook/detr-resnet-50. По названию она предназначена для поиска мебели, однако README не подтверждает состав классов или набор данных, поэтому конкретные категории объектов не установлены. Модель принимает изображения и предсказывает классы объектов и их ограничивающие рамки.

Модель опубликована в формате safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. В метаданных указан размер 6,3 млн параметров.

Сценарии применения

поиск мебели на фотографиях помещений
обнаружение и локализация объектов на изображениях
получение ограничивающих рамок объектов для последующей обработки

Ограничения

README не раскрывает обучающий набор данных, классы объектов и результаты оценки; назначение для мебели следует из названия репозитория и требует проверки на целевых изображениях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

detr-r50-furniture-full

This model is a fine-tuned version of facebook/detr-resnet-50 on an unknown dataset.

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: 1e-05
train_batch_size: 4
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 8
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: 100
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.57.6
Pytorch 2.14.1+cu130
Datasets 5.0.1
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: DetrForObjectDetection
Ревизия весов: c770af9