TAPe+ML v2: новая модель компьютерного зрения, превзошедшая SOTA на задачах детекции
Модель TAPe+ML v2 достигла 96 % точности детекции и mAP50 = 90 % на задаче рудозасорения, обойдя RF‑DETR при менее 100 тыс. параметров.
Компания TAPe+ML объявила о выходе второй версии своей модели для компьютерного зрения – TAPe+ML v2. По словам авторов, модель уже демонстрирует практический прорыв в задаче object detection, особенно в промышленном пилоте по обнаружению рудозасорения. На этом реальном датасете без использования COCO‑головы и с кастомным backbone, построенным на клиентских данных, TAPe+ML v2 достигла:
- точности детекции 96 %;
- mAP50 = 90 %;
- mAP50‑95 = 85 %.
Эти показатели ставят её на уровень RF‑DETR по mAP50, однако при меньше 100 тыс. параметров, тогда как RF‑DETR 2XL насчитывает около 127 млн параметров. Авторы подчёркивают, что такая эффективность достигается за счёт последовательности улучшений: оптимизированного предобучения, адаптивного масштабирования слоёв и интеграции клиентских признаков в backbone.
В статье на Habr ML подробно описан процесс обучения, архитектурные детали и результаты сравнения с другими SOTA‑моделями (YOLO‑v8, Faster RCNN, DETR). Кроме того, команда предоставила открытый репозиторий с кодом и инструкциями по кастомизации модели под новые задачи без необходимости полного переобучения.
Для разработчиков и исследователей это открывает возможность создавать лёгкие, но высокоточные модели детекции, экономя вычислительные ресурсы и ускоряя вывод в реальном времени. Ожидается, что TAPe+ML v2 будет применяться не только в горнодобывающей отрасли, но и в сельском хозяйстве, медицине и любой сфере, где важна быстрая и точная визуальная аналитика.
Ссылка на оригинальную статью: https://habr.com/ru/articles/1052302/
Для AI‑разработчиков TAPe+ML v2 демонстрирует, что можно достичь SOTA‑уровня без гигантских моделей, просто адаптируя backbone под данные клиента. Это открывает путь к лёгким решениям для edge‑устройств и снижает барьер входа в промышленный CV. Однако стоит внимательно тестировать кастомизацию, чтобы избежать переобучения на узкоспециализированных наборах.
