#rfdetr — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #rfdetr, aggregated by home.social.
-
TAPe+ML: детекция, классификация и теперь и сегментация SOTA‑уровня в 0.1M параметров
Мы собрали модель, которая одновременно решает детекцию, классификацию и сегментацию, и при этом остается радикально легче и экономичнее по ресурсам, чем любые современные SOTA‑архитектуры. На COCO и RF100‑VL мы получаем качество детекции уровня крупных transformer‑детекторов при сотнях раз меньшем числе параметров, а на LVIS – покрытие и точность масок, недостижимые для YOLO‑семейства без переобучения, все это в режиме близком к real‑time на массовом железе. В терминах «качество / параметры / латентность» наша модель находится в области, где у крупных конкурентов просто нет сопоставимых точек: либо они хуже по качеству при сопоставимой скорости, либо требуют на порядки больше параметров и железа, чтобы выйти на похожие цифры. Посмотреть и воспользоваться
https://habr.com/ru/articles/1061414/
#компьютерное_зрение #детекция #классификация #сегментация #tape #yolo #rfdetr #dino #искусственный_интеллект #машинное_обучение
-
TAPe+ML: детекция, классификация и теперь и сегментация SOTA‑уровня в 0.1M параметров
Мы собрали модель, которая одновременно решает детекцию, классификацию и сегментацию, и при этом остается радикально легче и экономичнее по ресурсам, чем любые современные SOTA‑архитектуры. На COCO и RF100‑VL мы получаем качество детекции уровня крупных transformer‑детекторов при сотнях раз меньшем числе параметров, а на LVIS – покрытие и точность масок, недостижимые для YOLO‑семейства без переобучения, все это в режиме близком к real‑time на массовом железе. В терминах «качество / параметры / латентность» наша модель находится в области, где у крупных конкурентов просто нет сопоставимых точек: либо они хуже по качеству при сопоставимой скорости, либо требуют на порядки больше параметров и железа, чтобы выйти на похожие цифры. Посмотреть и воспользоваться
https://habr.com/ru/articles/1061414/
#компьютерное_зрение #детекция #классификация #сегментация #tape #yolo #rfdetr #dino #искусственный_интеллект #машинное_обучение
-
TAPe+ML: детекция, классификация и теперь и сегментация SOTA‑уровня в 0.1M параметров
Мы собрали модель, которая одновременно решает детекцию, классификацию и сегментацию, и при этом остается радикально легче и экономичнее по ресурсам, чем любые современные SOTA‑архитектуры. На COCO и RF100‑VL мы получаем качество детекции уровня крупных transformer‑детекторов при сотнях раз меньшем числе параметров, а на LVIS – покрытие и точность масок, недостижимые для YOLO‑семейства без переобучения, все это в режиме близком к real‑time на массовом железе. В терминах «качество / параметры / латентность» наша модель находится в области, где у крупных конкурентов просто нет сопоставимых точек: либо они хуже по качеству при сопоставимой скорости, либо требуют на порядки больше параметров и железа, чтобы выйти на похожие цифры. Посмотреть и воспользоваться
https://habr.com/ru/articles/1061414/
#компьютерное_зрение #детекция #классификация #сегментация #tape #yolo #rfdetr #dino #искусственный_интеллект #машинное_обучение
-
Trained a small object detection model that spots Las Vegas Metro police vehicles in real time. Runs in your browser on WebGPU and on a phone, no server. ONNX weights are up on Hugging Face.
https://huggingface.co/tuxracer/las-vegas-metro-rfdetr-small-t1
#vision #model #police #lasvegas #onnx #rfdetr #objectdetection
-
TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)
Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии
https://habr.com/ru/articles/1023426/
#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность
-
TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)
Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии
https://habr.com/ru/articles/1023426/
#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность
-
TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)
Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии
https://habr.com/ru/articles/1023426/
#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность
-
YOLOv11 и RF-DETR для object detection в видео. Добавление временных характеристик с помощью суперкадра
Если ввести в поиск запрос object detection , почти сразу среди результатов окажутся модели семейства YOLO в разных версиях. Это неудивительно: они популярны, быстры, достаточно просты в использовании и хорошо подходят для прикладных задач. Модели вроде YOLO и RF-DETR обычно работают по одной и той же схеме: на вход подается изображение, на выходе мы получаем предсказания объектов. Такой подход удобен и хорошо работает для картинок. Но видео — это не просто набор независимых кадров.
-
Roboflow has launched RF-DETR, a real-time object detection model..
#AI #MachineLearning #ComputerVision #VisionAI #ObjectDetection #Roboflow #RFDETR #EdgeAI #DeepLearning #RealTimeAI #AIModels
-
Roboflow has launched RF-DETR, a real-time object detection model..
#AI #MachineLearning #ComputerVision #VisionAI #ObjectDetection #Roboflow #RFDETR #EdgeAI #DeepLearning #RealTimeAI #AIModels