> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/hi/supported-models/rf-detr.md).

# RF-DETR ऑब्जेक्ट डिटेक्शन

## RF-DETR ऑब्जेक्ट डिटेक्शन

RF-DETR Roboflow का ट्रांसफॉर्मर-आधारित रीयल-टाइम डिटेक्शन मॉडल है। COCO-प्रीट्रेंड ऑब्जेक्ट डिटेक्शन चेकपॉइंट्स पर inference चलाएँ, के माध्यम से [सर्वरलेस होस्टेड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), या self-host करने के लिए उपयोग करें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### कोड नमूना

नीचे दिए गए चरण RF-DETR को के माध्यम से चलाते हैं [सर्वरलेस होस्टेड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api) और परिणामों को के साथ विज़ुअलाइज़ करें [supervision](https://supervision.roboflow.com/).

{% stepper %}
{% step %}
**अपनी API कुंजी प्राप्त करें**

एक Roboflow खाता बनाएँ, अपनी कुंजी यहाँ खोजें [Roboflow API सेटिंग्स पेज](https://app.roboflow.com/settings/api) और इसे अपने shell के लिए उपलब्ध कराएँ:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}
**निर्भरताएँ इंस्टॉल करें**

ये दो पैकेज मॉडल को कॉल करते हैं और उसके परिणामों को ड्रॉ करते हैं:

```bash
pip install -U inference-sdk supervision
```

{% endstep %}

{% step %}
**मॉडल चलाएँ**

चलाएँ `rfdetr-small` एक नमूना छवि पर और बॉक्स तथा लेबल एनोटेट करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="rfdetr-small")

detections = sv.Detections.from_inference(result)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="/files/2ca599657ddd69dbafebac1b9d318b783e8dfe09" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
सेट करें `api_url` को अपने deployment target से मिलाने के लिए:

* `https://serverless.roboflow.com` सर्वरलेस होस्टेड API के लिए।
* `http://localhost:9001` एक स्थानीय [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) server के लिए।
* आपका [समर्पित परिनियोजन](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) एक निजी endpoint के लिए URL।
  {% endhint %}

### प्रीट्रेंड मॉडल और बेंचमार्क

इनमें से किसी भी उपनाम को `model_id` inference चलाते समय पास करें। SDK प्रत्येक उपनाम को अंतर्निहित Roboflow प्रोजेक्ट संस्करण में हल करता है।

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>rfdetr-nano</code></td><td>384x384</td><td>48.4</td><td>9.7</td><td>6.2</td></tr><tr><td><code>rfdetr-small</code></td><td>512x512</td><td>53.0</td><td>12.9</td><td>8.3</td></tr><tr><td><code>rfdetr-medium</code></td><td>576x576</td><td>54.7</td><td>16.3</td><td>9.5</td></tr><tr><td><code>rfdetr-large</code></td><td>704x704</td><td>56.5</td><td>25.6</td><td>11.6</td></tr><tr><td><code>rfdetr-xlarge</code></td><td>700x700</td><td>58.6</td><td>41.6</td><td>14.9</td></tr><tr><td><code>rfdetr-2xlarge</code></td><td>880x880</td><td>60.1</td><td>53.4</td><td>21.7</td></tr></tbody></table>

## RF-DETR इंस्टेंस सेगमेंटेशन

RF-DETR ऐसे इंस्टेंस सेगमेंटेशन चेकपॉइंट्स भी प्रदान करता है जो बॉक्स के साथ मास्क की भविष्यवाणी करते हैं। इन्हें के माध्यम से चलाएँ [सर्वरलेस होस्टेड API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), या self-host करने के लिए उपयोग करें [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### कोड नमूना

अपनी API key सेट करें और ऊपर दिखाए अनुसार dependencies इंस्टॉल करें, फिर एक segmentation checkpoint चलाएँ और उसके masks ड्रॉ करें:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="rfdetr-seg-preview")

detections = sv.Detections.from_inference(result)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)
```

<figure><img src="/files/8f4526527fda5de5b790fbd1fad612b9662fa00a" alt=""><figcaption></figcaption></figure>

### प्रीट्रेंड मॉडल और बेंचमार्क

इनमें से किसी भी उपनाम को `model_id` inference चलाते समय। SDK प्रत्येक उपनाम को अंतर्निहित Roboflow प्रोजेक्ट संस्करण में हल करता है। आँकड़े COCO पर mask mAP हैं `val`.

<table data-search="false"><thead><tr><th>उपनाम</th><th>इनपुट आकार</th><th>मास्क mAP50-95</th><th>ONNX विलंबता (ms)*</th><th>TensorRT FP16 (ms)*</th></tr></thead><tbody><tr><td><code>rfdetr-seg-nano</code></td><td>312x312</td><td>40.3</td><td>15.8</td><td>10.5</td></tr><tr><td><code>rfdetr-seg-small</code></td><td>384x384</td><td>43.1</td><td>19.3</td><td>11.9</td></tr><tr><td><code>rfdetr-seg-medium</code></td><td>432x432</td><td>45.3</td><td>23.9</td><td>14.1</td></tr><tr><td><code>rfdetr-seg-large</code></td><td>504x504</td><td>47.1</td><td>30.1</td><td>15.4</td></tr><tr><td><code>rfdetr-seg-xlarge</code></td><td>624x624</td><td>48.8</td><td>51.2</td><td>19.1</td></tr><tr><td><code>rfdetr-seg-2xlarge</code></td><td>768x768</td><td>49.9</td><td>89.6</td><td>25.6</td></tr></tbody></table>

***

\* विलंबता मापी गई है [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4 पर, batch size 1, 1,000 inference (100 warmup) के औसत के साथ। डिफ़ॉल्ट `inference-gpu` install, ONNX को CUDA execution provider पर चलाता है; इसके साथ जोड़ने से `inference-models[trt10]` extra स्वचालित रूप से एक prebuilt TensorRT FP16 engine चुनता है। FP16, COCO पर FP32 सटीकता से 0.2 mAP के भीतर मेल खाता है `val2017`. सटीकता प्रकाशित COCO `val` स्पेसिफिकेशन है (देखें [RF-DETR घोषणा](https://blog.roboflow.com/rf-detr/)).