fireviewer/dfine-xlarge-fire-smoke

FireViewer D-FINE-X Fire/Smoke

D-FINE-X adapté à la détection de fumée et de flammes visibles pour le pipeline FireViewer.

• classe 0 : smoke_visible ;
• classe 1 : flame_visible.

Le modèle de base est ustc-community/dfine-xlarge-obj365, révision a99923ec2727499f769a82edba864299fceaca48.

Évaluation indépendante

Évaluation avec un Trainer neuf par split, sur une sélection déterministe :

• 2 000 images de validation ;
• 2 000 images de test ;
• résolution 768 px ;
• sélection SHA-256 : 103fd8711f3756b3da694c208f8b88104b309624c95b719f3418c70581c8a328.

Split	mAP	mAP@50	mAP@75	Flamme mAP	Fumée mAP	mAR@100
Validation	0,2669	0,3998	0,2887	0,1670	0,3667	0,7017
Test	0,2484	0,3823	0,2653	0,1508	0,3459	0,6934

Sur le test, le mAP par taille est 0,0443 pour les petits objets, 0,2997 pour les moyens et 0,4113 pour les grands. Les fichiers exacts de sélection, de plan et de résultats sont disponibles dans evaluation/.

Benchmark commun des détecteurs

D-FINE a aussi été mesuré sur la même sélection de 2 000 images que RT-DETR et Pyronear, sans changer les images ni les annotations. Sur ce contrat commun, il obtient :

Mesure	Résultat
mAP	0,2250
mAP@50	0,3695
mAR@100	0,6403
mAP fumée	0,3055
mAP flamme	0,1445
Débit RTX A6000	17,09 images/s

La sélection commune a pour SHA-256 b1a73eb4760a26a4f0da99198eefde0a842c72e777ac16ea7518b6265173bc63. D-FINE est conservé comme détecteur secondaire indépendant : son rappel élevé complète RT-DETR, mais sa précision et ses résultats sur la classe flamme ne justifient pas de le promouvoir comme détecteur principal. Les versions SVG sont fournies dans assets/.

Utilisation

from PIL import Image
from transformers import AutoImageProcessor, AutoModelForObjectDetection
import torch

repo = "fireviewer/dfine-xlarge-fire-smoke"
processor = AutoImageProcessor.from_pretrained(repo)
model = AutoModelForObjectDetection.from_pretrained(repo).eval()

image = Image.open("image.jpg").convert("RGB")
inputs = processor(images=image, return_tensors="pt")
with torch.inference_mode():
    outputs = model(**inputs)

target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(
    outputs, target_sizes=target_sizes, threshold=0.35
)[0]

Intégrité

SHA-256 de model.safetensors : a9e00e8d3f3aa6d03cfda1ed5d6b2ddb99e7aaf8ca5b0af84fd36169ae7e0243.

Limites et usage prévu

Ce checkpoint est une version intermédiaire conservée pour inférence et reprise, pas l'achèvement des 24 042 mises à jour initialement prévues. Ses performances sur petits objets sont faibles. Il ne doit pas produire seul une géolocalisation, un périmètre ou une décision opérationnelle. Toute sortie FireViewer doit être fusionnée avec les autres sources et validée humainement.

Le modèle de base est Apache-2.0. Le corpus d'adaptation agrège plusieurs licences ; consulter la fiche du dataset et respecter les obligations par source avant redistribution ou usage.