RF-DETR

हमारे Serverless Hosted API के माध्यम से Roboflow के RF-DETR model का उपयोग करें

RF-DETR Object Detection

RF-DETR, Roboflow का transformer-आधारित real-time detection model है। COCO-pretrained object detection checkpoints के विरुद्ध inference चलाएँ Serverless Hosted API, या self-host using Roboflow Inference.

कोड नमूना

नीचे दिए गए चरण RF-DETR को चलाते हैं Serverless Hosted API और परिणामों को visualize करते हैं supervision.

1

अपनी API Key प्राप्त करें

एक Roboflow खाता बनाएं, अपनी key यहाँ पर ढूँढें Roboflow API settings page और इसे अपने shell में उपलब्ध कराएँ:

export ROBOFLOW_API_KEY="your-key-here"

2

निर्भरताएँ इंस्टॉल करें

ये दो packages model को call करते हैं और इसके परिणामों को draw करते हैं:

pip install inference-sdk supervision

3

मॉडल चलाएँ

चलाएँ rfdetr-small एक sample image पर और boxes तथा labels annotate करें:

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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)

सेट करें api_url को अपने deployment target से मिलाएँ:

• https://serverless.roboflow.com Serverless Hosted API के लिए।

• http://localhost:9001 एक local Inference server.

• आपका Dedicated Deployment एक private endpoint के लिए URL.

Pretrained models और benchmarks

इनमें से किसी भी alias को बतौर पास करें model_id जब inference चलाया जा रहा हो। SDK प्रत्येक alias को underlying Roboflow project version से resolve करता है।

उपनाम	इनपुट आकार	mAP50-95	ONNX latency (ms)*	TensorRT FP16 (ms)*
rfdetr-nano	384x384	48.4	9.7	6.2
rfdetr-small	512x512	53.0	12.9	8.3
rfdetr-medium	576x576	54.7	16.3	9.5
rfdetr-large	704x704	56.5	25.6	11.6
rfdetr-xlarge	700x700	58.6	41.6	14.9
rfdetr-2xlarge	880x880	60.1	53.4	21.7

RF-DETR Instance Segmentation

RF-DETR instance segmentation checkpoints भी प्रदान करता है, जो boxes के साथ-साथ masks की भी भविष्यवाणी करते हैं। उन्हें के माध्यम से चलाएँ Serverless Hosted API, या self-host using Roboflow Inference.

कोड नमूना

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

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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)

Pretrained models और benchmarks

इनमें से किसी भी alias को बतौर पास करें model_id जब inference चलाया जा रहा हो। SDK प्रत्येक alias को underlying Roboflow project version से resolve करता है। Figures COCO पर mask mAP हैं val.

उपनाम	इनपुट आकार	Mask mAP50-95	ONNX latency (ms)*	TensorRT FP16 (ms)*
rfdetr-seg-nano	312x312	40.3	15.8	10.5
rfdetr-seg-small	384x384	43.1	19.3	11.9
rfdetr-seg-medium	432x432	45.3	23.9	14.1
rfdetr-seg-large	504x504	47.1	30.1	15.4
rfdetr-seg-xlarge	624x624	48.8	51.2	19.1
rfdetr-seg-2xlarge	768x768	49.9	89.6	25.6

---

* Latency मापी जाती है Roboflow Inference 1x NVIDIA L4 पर, batch size 1, 1,000 inferences का औसत (100 warmup)। डिफ़ॉल्ट inference-gpu install CUDA execution provider पर ONNX चलाता है; inference-models[trt10] extra जोड़ने से prebuilt TensorRT FP16 engine अपने-आप चयन हो जाता है। FP16, COCO val2017. Accuracy प्रकाशित COCO val spec है (देखें RF-DETR announcement)).