detección_de_colas_cctv

machinelearningzuu

Detección de objetos

Este modelo es una versión ajustada de microsoft/conditional-detr-resnet-50 en el conjunto de datos None. Logra los siguientes resultados en el conjunto de evaluación: Pérdida: 0.1291, Map: 0.9532, Map 50: 0.9901, Map 75: 0.9845, Map Pequeño: -1.0, Map Medio: 0.3203, Map Grande: 0.9578, Mar 1: 0.5044, Mar 10: 0.9715, Mar 100: 0.972, Mar Pequeño: -1.0, Mar Medio: 0.3538, Mar Grande: 0.9747, Map Cajero: 0.9618, Mar 100 Cajero: 0.9775, Map Cx: 0.9447, Mar 100 Cx: 0.9664.

Como usar

Hiperparámetros de entrenamiento
learning_rate: 5e-05
train_batch_size: 2
eval_batch_size: 8
seed: 42
optimizer: Adam con betas=(0.9,0.999) y epsilon=1e-08
lr_scheduler_type: cosine
num_epochs: 100
mixed_precision_training: Native AMP

Versiones del marco

Transformers 4.42.3
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

Funcionalidades

Versión ajustada de microsoft/conditional-detr-resnet-50
Detección de objetos
Transformers
Safetensors

Casos de uso

Monitoreo de colas en sistemas de circuito cerrado de televisión (CCTV)
Detección de objetos en entornos de vigilancia
Aplicaciones de seguridad