library_name: transformers language:

• ru license: apache-2.0 base_model: PekingU/rtdetr_r50vd_coco_o365 tags:
• generated_from_trainer model-index:
• name: RT-DETR俄罗斯车牌检测及类型分类模型 results: []

RT-DETR俄罗斯车牌检测及类型分类模型

该模型是基于PekingU/rtdetr_r50vd_coco_o365在未知数据集上微调的版本。在评估集上取得如下结果：

• 损失值：4.1673
• 平均精度(mAP)：0.8829
• mAP@50：0.9858
• mAP@75：0.9736
• 车牌及类型mAP：-1.0
• 大型目标mAP：0.9689
• 中型目标mAP：0.9125
• 普通车牌mAP：0.857
• 警用车牌mAP：0.9087
• 小型目标mAP：0.696
• 召回率@1：0.8686
• 召回率@10：0.9299
• 召回率@100：0.9357
• 车牌及类型召回率@100：-1.0
• 普通车牌召回率@100：0.9169
• 警用车牌召回率@100：0.9545
• 大型目标召回率：0.9844
• 中型目标召回率：0.958
• 小型目标召回率：0.8354

模型描述

俄罗斯机动车车牌检测模型，当前支持2种类型：普通车牌(n_p)和警用车牌(p_p)

使用场景与限制

使用示例：

from transformers import AutoModelForObjectDetection, AutoImageProcessor
import torch
import supervision as sv


DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = AutoModelForObjectDetection.from_pretrained('Garon16/rtdetr_r50vd_russia_plate_detector').to(DEVICE)
processor = AutoImageProcessor.from_pretrained('Garon16/rtdetr_r50vd_russia_plate_detector')

path = '图片路径'
image = Image.open(path)
inputs = processor(image, return_tensors="pt").to(DEVICE)
with torch.no_grad():
    outputs = model(**inputs)
w, h = image.size
results = processor.post_process_object_detection(
    outputs, target_sizes=[(h, w)], threshold=0.3)
detections = sv.Detections.from_transformers(results[0]).with_nms(0.3)
labels = [
    model.config.id2label[class_id]
    for class_id
    in detections.class_id
]

annotated_image = image.copy()
annotated_image = sv.BoundingBoxAnnotator().annotate(annotated_image, detections)
annotated_image = sv.LabelAnnotator().annotate(annotated_image, detections, labels=labels)
  
grid = sv.create_tiles(
  [annotated_image],
  grid_size=(1, 1),
  single_tile_size=(512, 512),
  tile_padding_color=sv.Color.WHITE,
  tile_margin_color=sv.Color.WHITE
)
sv.plot_image(grid, size=(10, 10))

训练与评估数据

使用自建数据集训练 - https://universe.roboflow.com/testcarplate/russian-license-plates-classification-by-this-type

训练过程

训练超参数

训练过程中使用以下超参数：

• 学习率：5e-05
• 训练批次大小：32
• 评估批次大小：8
• 随机种子：42
• 优化器：使用adamw_torch，参数为betas=(0.9,0.999)，epsilon=1e-08，无额外参数
• 学习率调度器类型：线性
• 学习率预热步数：300
• 训练轮次：20

训练结果