Detr Resnet 50 Dc5 Grasshopper Finetuned Maxsteps 10000 Batchsize 2 Ilham
D
Detr Resnet 50 Dc5 Grasshopper Finetuned Maxsteps 10000 Batchsize 2 Ilham
Ilhamfaisalによって開発
このモデルはFacebookのDETR-ResNet-50-DC5アーキテクチャを基に、バッタ検出データセットでファインチューニングされた物体検出モデルです。
ダウンロード数 29
リリース時間 : 1/13/2025
モデル概要
特定種類のバッタを検出するためのコンピュータビジョンモデルで、Recilia dorsalisやNephotettix malayanusなどのカテゴリ識別をサポートします。
モデル特徴
エンドツーエンド物体検出
DETRアーキテクチャを採用し、従来のNMS後処理不要のエンドツーエンド物体検出を実現
特定種識別
バッタ類昆虫に特化して最適化され、複数の特定種を識別可能
Transformerアーキテクチャ
Transformerエンコーダー-デコーダー構造を利用して視覚検出タスクを処理
モデル能力
画像内の物体検出
特定昆虫種の識別
バウンディングボックス予測
使用事例
農業モニタリング
農地害虫モニタリング
農地内の特定種類バッタを自動検出
Recilia dorsalisなどの害虫種を識別可能
生態研究
昆虫個体群調査
野外昆虫種分布研究に使用
🚀 detr-resnet-50-dc5-grasshopper-finetuned-maxsteps-10000-batchsize-2-ilham
このモデルは、facebook/detr-resnet-50-dc5 をNoneデータセットでファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。
- 損失: 3.7495
- Map: 0.0001
- Map 50: 0.0002
- Map 75: 0.0001
- Map Small: 0.0001
- Map Medium: -1.0
- Map Large: -1.0
- Mar 1: 0.0
- Mar 10: 0.0019
- Mar 100: 0.0047
- Mar Small: 0.0047
- Mar Medium: -1.0
- Mar Large: -1.0
- Map Recilia dorsalis: 0.0
- Mar 100 Recilia dorsalis: 0.0042
- Map Nephotettix malayanus: 0.0003
- Mar 100 Nephotettix malayanus: 0.0074
- Map Sogatella furcifera: 0.0
- Mar 100 Sogatella furcifera: 0.0
- Map Nilaparvata lugens: 0.0
- Mar 100 Nilaparvata lugens: 0.0071
🚀 クイックスタート
このモデルは、特定のタスクに対して事前学習されたモデルをファインチューニングしたものです。以下のセクションでは、モデルのトレーニングハイパーパラメータとトレーニング結果について説明します。
🔧 技術詳細
トレーニングハイパーパラメータ
トレーニング中に使用されたハイパーパラメータは以下の通りです。
パラメータ | 詳細 |
---|---|
学習率 (learning_rate) | 1e-05 |
トレーニングバッチサイズ (train_batch_size) | 2 |
評価バッチサイズ (eval_batch_size) | 2 |
シード (seed) | 42 |
オプティマイザ (optimizer) | OptimizerNames.ADAMW_TORCHを使用し、ベータ=(0.9, 0.999)、イプシロン=1e-08、追加のオプティマイザ引数なし |
学習率スケジューラのタイプ (lr_scheduler_type) | 線形 (linear) |
トレーニングステップ数 (training_steps) | 10000 |
混合精度トレーニング (mixed_precision_training) | ネイティブAMP (Native AMP) |
トレーニング結果
トレーニング損失 | エポック | ステップ | 検証損失 | Map | Map 50 | Map 75 | Map Small | Map Medium | Map Large | Mar 1 | Mar 10 | Mar 100 | Mar Small | Mar Medium | Mar Large | Map Recilia dorsalis | Mar 100 Recilia dorsalis | Map Nephotettix malayanus | Mar 100 Nephotettix malayanus | Map Sogatella furcifera | Mar 100 Sogatella furcifera | Map Nilaparvata lugens | Mar 100 Nilaparvata lugens |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
7.8557 | 0.5952 | 50 | 6.5271 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0001 | 0.0001 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0005 | 0.0 | 0.0 | 0.0 | 0.0 |
5.1482 | 1.1905 | 100 | 4.5178 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0017 | 0.0017 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0068 | 0.0 | 0.0 |
4.73 | 1.7857 | 150 | 4.3700 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0002 | 0.0036 | 0.0036 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0009 | 0.0 | 0.0136 | 0.0 | 0.0 |
4.2549 | 2.3810 | 200 | 4.3965 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.5438 | 2.9762 | 250 | 4.2896 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.19 | 3.5714 | 300 | 4.3528 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.2118 | 4.1667 | 350 | 4.2757 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.1294 | 4.7619 | 400 | 4.2314 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9266 | 5.3571 | 450 | 4.2360 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.102 | 5.9524 | 500 | 4.1888 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.862 | 6.5476 | 550 | 4.1402 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.0277 | 7.1429 | 600 | 4.1432 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.1993 | 7.7381 | 650 | 4.1737 | 0.0 | 0.0001 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0002 | 0.0002 | 0.0002 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0001 | 0.0009 | 0.0 | 0.0 | 0.0 | 0.0 |
4.873 | 8.3333 | 700 | 4.1959 | 0.0 | 0.0001 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0001 | 0.0003 | 0.0003 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0005 | 0.0 | 0.0 | 0.0 | 0.0006 |
4.5011 | 8.9286 | 750 | 4.1311 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.0208 | 9.5238 | 800 | 4.1827 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.0261 | 10.1190 | 850 | 4.0846 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.8466 | 10.7143 | 900 | 4.1543 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.1287 | 11.3095 | 950 | 4.1680 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9538 | 11.9048 | 1000 | 4.1849 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.6927 | 12.5 | 1050 | 4.0885 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9334 | 13.0952 | 1100 | 4.1670 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9389 | 13.6905 | 1150 | 4.2387 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.6675 | 14.2857 | 1200 | 4.1635 | 0.0 | 0.0004 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0001 | 0.0001 | 0.0001 | 0.0001 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0002 | 0.0005 | 0.0 | 0.0 | 0.0 | 0.0 |
4.3397 | 14.8810 | 1250 | 4.1893 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.1642 | 15.4762 | 1300 | 4.1441 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.6283 | 16.0714 | 1350 | 4.1287 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
4.2969 | 16.6667 | 1400 | 4.0819 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9804 | 17.2619 | 1450 | 4.1292 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.971 | 17.8571 | 1500 | 4.0567 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
3.4007 | 18.4524 | 1550 | 4.0544 | 0.0002 | 0.0005 | 0.0 | 0.0002 | -1.0 | -1.0 | 0.0 | 0.0005 | 0.0005 | 0.0005 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0008 | 0.0019 | 0.0 | 0.0 | 0.0 | 0.0 |
4.2788 | 19.0476 | 1600 | 4.0556 | 0.0001 | 0.0002 | 0.0 | 0.0001 | -1.0 | -1.0 | 0.0 | 0.001 | 0.001 | 0.001 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0002 | 0.0042 | 0.0 | 0.0 | 0.0 | 0.0 |
4.2513 | 19.6429 | 1650 | 4.0553 | 0.0002 | 0.0004 | 0.0 | 0.0002 | -1.0 | -1.0 | 0.0 | 0.0006 | 0.0006 | 0.0006 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0007 | 0.0023 | 0.0 | 0.0 | 0.0 | 0.0 |
3.6183 | 20.2381 | 1700 | 4.1075 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0006 | 0.0006 | -1.0 | -1.0 | 0.0 | 0.0014 | 0.0 | 0.0009 | 0.0 | 0.0 | 0.0 | 0.0 |
4.2522 | 20.8333 | 1750 | 4.1207 | 0.0001 | 0.0004 | 0.0 | 0.0001 | -1.0 | -1.0 | 0.0002 | 0.0002 | 0.0006 | 0.0006 | -1.0 | -1.0 | 0.0 | 0.0005 | 0.0003 | 0.0019 | 0.0 | 0.0 | 0.0 | 0.0 |
4.2156 | 21.4286 | 1800 | 4.0288 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0014 | 0.0014 | -1.0 | -1.0 | 0.0 | 0.0005 | 0.0 | 0.0051 | 0.0 | 0.0 | 0.0 | 0.0 |
4.4063 | 22.0238 | 1850 | 4.0143 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0019 | 0.0019 | -1.0 | -1.0 | 0.0 | 0.0014 | 0.0 | 0.006 | 0.0 | 0.0 | 0.0 | 0.0 |
4.5577 | 22.6190 | 1900 | 4.0514 | 0.0001 | 0.0002 | 0.0 | 0.0001 | -1.0 | -1.0 | 0.0 | 0.0006 | 0.0006 | 0.0006 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0004 | 0.0023 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9326 | 23.2143 | 1950 | 4.0323 | 0.0 | 0.0003 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0001 | 0.0001 | 0.0001 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0001 | 0.0005 | 0.0 | 0.0 | 0.0 | 0.0 |
3.9504 | 23.8095 | 2000 | 3.9393 | 0.0001 | 0.0003 | 0.0 | 0.0001 | -1.0 | -1.0 | 0.0 | 0.0002 | 0.0016 | 0.0016 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0003 | 0.0051 | 0.0 | 0.0 | 0.0 | 0.0012 |
4.6677 | 24.4048 | 2050 | 3.9693 | 0.0 | 0.0 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0005 | 0.0005 | -1.0 | -1.0 | 0.0 | 0.0 | 0.0 | 0.0014 | 0.0 | 0.0 | 0.0 | 0.0006 |
3.7945 | 25.0 | 2100 | 3.9099 | 0.0002 | 0.0004 | 0.0004 | 0.0002 | -1.0 | -1.0 | 0.0 | 0.0007 | 0.0012 | 0.0012 | -1.0 | -1.0 | 0.0 | 0.0005 | 0.0008 | 0.0042 | 0.0 | 0.0 | 0.0 | 0.0 |
3.6887 | 25.5952 | 2150 | 3.7940 | 0.0 | 0.0004 | 0.0 | 0.0 | -1.0 | -1.0 | 0.0 | 0.0001 | 0.0024 | 0.0024 | -1.0 | -1.0 | 0.0 | 0.0032 | 0.0002 | 0.0051 | 0.0 | 0.0 | 0.0 | 0.0012 |
📄 ライセンス
このモデルは、Apache 2.0ライセンスの下で提供されています。
Table Transformer Detection
MIT
DETRアーキテクチャに基づくテーブル検出モデルで、非構造化文書からテーブルを抽出するために特別に設計されています
物体検出
Transformers

T
microsoft
2.6M
349
Grounding Dino Base
Apache-2.0
Grounding DINOはオープンセット物体検出モデルで、DINO検出器とテキストエンコーダを組み合わせることでゼロショット物体検出能力を実現しています。
物体検出
Transformers

G
IDEA-Research
1.1M
87
Grounding Dino Tiny
Apache-2.0
Grounding DINOはDINO検出器とグラウンディング事前学習を組み合わせたオープンセット物体検出モデルで、ゼロショット物体検出を実現できます。
物体検出
Transformers

G
IDEA-Research
771.67k
74
Detr Resnet 50
Apache-2.0
DETRはTransformerアーキテクチャに基づくエンドツーエンド物体検出モデルで、ResNet-50をバックボーンとして使用し、COCOデータセットでトレーニングされています。
物体検出
Transformers

D
facebook
505.27k
857
Detr Resnet 101
Apache-2.0
DETRはTransformerアーキテクチャを使用したエンドツーエンド物体検出モデルで、ResNet-101をバックボーンとしてCOCOデータセットでトレーニングされています。
物体検出
Transformers

D
facebook
262.94k
119
Detr Doc Table Detection
Apache-2.0
DETRアーキテクチャに基づく文書テーブル検出モデル、文書内の枠あり・枠なしテーブルを検出
物体検出
Transformers

D
TahaDouaji
233.45k
59
Yolos Small
Apache-2.0
視覚Transformer(ViT)ベースの物体検出モデルで、DETR損失関数を使用して訓練され、COCOデータセットで優れた性能を発揮します。
物体検出
Transformers

Y
hustvl
154.46k
63
Yolos Tiny
Apache-2.0
COCO 2017物体検出データセットでファインチューニングされたYOLOSモデル、Vision Transformerアーキテクチャを使用した効率的な物体検出を実現。
物体検出
Transformers

Y
hustvl
144.58k
266
Rtdetr R50vd Coco O365
Apache-2.0
RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、効率的なハイブリッドエンコーダーと不確実性最小化クエリ選択メカニズムにより、COCOデータセットで53.1% AP、108 FPSの性能を達成しました。
物体検出
Transformers 英語

R
PekingU
111.17k
11
Rtdetr R101vd Coco O365
Apache-2.0
初のリアルタイムエンドツーエンド物体検出器、Transformerアーキテクチャに基づき、非極大抑制の必要性を排除、速度と精度でYOLOシリーズを凌駕
物体検出
Transformers 英語

R
PekingU
106.81k
7
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98