fireviewer/rfdetr-medium-probable-fire-v2.5

RF-DETR Medium · probable fire · v2.5

Repères / Quick navigation

Image entière → propositions probable_fire. Pipeline FR · Pipeline EN · Les cinq datasets · Exports LiteRT et diagnostic externe

Les résultats de sélection ci-dessous sont des mesures de validation. Le diagnostic externe de 680 images porte sur la cascade et garde sa population propre ; il ne devient pas un score individuel de ce modèle ni le TEST final verrouillé. La conversion LiteRT conserve les poids sélectionnés et les contrats ; sa parité CPU ne constitue pas une qualification Android.

EN: Selected-validation scores, the external cascade diagnostic, CPU export parity and device qualification have separate scopes. Checkpoint identity, loading, provenance and source rights are documented below.

English — purpose and evidence

Single-class full-image proposal detector: probable_fire merges visible flame/fire and smoke. It supplies candidate regions to the visible-flame and optional smoke branches; it does not distinguish them itself. Input is RGB resized by RF-DETR to 1088 px; output is scored xyxy boxes in original-image coordinates. Requested 1080 was aligned to 1088; this release is not a 1080 model.

RF-DETR Medium 1.11.0, positional encoding size 68, seed 42, batch 16, 15 completed epochs, cosine learning-rate schedule with one warmup epoch. Selected checkpoint is epoch 10, validated from its payload and selection record, not the stale end-of-run filename index. Selection criterion: 0.5 AP-small + 0.5 small-object recall at score 0.25 / IoU 0.50. Training used 60,891 images and validation 8,288 from the retained deduplicated corpus. The linked public v2.5-box-precise-and-multi-source-suplement is the rights-filtered subset (46,576 train / 7,647 validation / 9,838 test), not the complete training corpus.

Français — rôle et preuves

Détecteur mono-classe sur image entière : probable_fire regroupe feu visible et fumée. Il propose des régions aux spécialistes, sans distinguer lui-même les deux phénomènes. L'entrée RF-DETR est à 1088 px et les boîtes sont reprojetées en xyxy dans l'image d'origine. L'apprentissage comporte 15 époques, batch 16, seed 42 et LR cosinus avec une époque de warmup. Le poids retenu est celui de l'époque 10, vérifié dans le checkpoint. Sa sélection favorise les petits objets. Le dataset public lié est une sous-partie filtrée par droits des 60 891 images train et 8 288 images validation réellement utilisées.

Selected validation result / Résultat de validation retenu

Full retained validation: 8,288 images, 6,898 probable-fire boxes. Fixed score 0.25 and greedy IoU 0.50 matching for precision/recall; this score is a comparison threshold, not a calibrated production alert threshold. COCO small uses original-image box area ≤32² px. Selection metrics are validation measurements, not an independent TEST benchmark.

Validation complète conservée : 8 288 images, 6 898 boîtes. Le seuil 0,25 et l'appariement IoU 0,50 servent à comparer les époques ; ce seuil n'est pas une calibration produit. Petits objets COCO : aire de boîte ≤32² pixels dans l'image d'origine.

Metric / Mesure	Value / Valeur
COCO mAP50–95	0.419858
AP50 / AP75	0.702712 / 0.424334
AP-small / AR100	0.275894 / 0.638069
Precision / Recall / F1 @0.25	0.470818 / 0.785880 / 0.588855
TP / FP / FN	5,421 / 6,093 / 1,477
Small recall (943 / 1,357 GT)	0.694915
Negative-image false alert rate (842 / 4,774)	0.176372

The negative-image statistic is the fraction of annotated-negative images with at least one surviving detection, not a per-box FP rate. AP and operating-point counts are different measures. Missing source labels can penalize real detections.

Le taux d'alerte sur négatifs mesure les images avec au moins une détection, pas le taux de fausses boîtes. Les omissions d'annotation peuvent compter comme faux positifs.

Checkpoint identity / Identité du checkpoint

• Run: 20261004-202150-rfdetr-ccdb, selected E10, completed E15.
• Original checkpoint SHA-256: 05e431638e3daf9c81c78860ad26b8b65c52765b9d934666d9d4d7da66eb565d.
• Public tensor SHA-256: 3157e4d09f90061b0a8deb9fd42b2db60d5978fb55872d642c5aa75338377a26.
• Training-corpus fingerprint: ab4360d4ef3f6e1f419a317b9d8ddff5602c8e3e3394babd1bd0f3faa8916efe.

The public tensor package is value-identical to the selected checkpoint tensors, finite, and excludes optimizer/RNG state. Full continuation checkpoints and the requested epoch 8 backup remain private on Drive. The different file hashes reflect different containers.

Le paquet public garde exactement les tenseurs du poids sélectionné et retire l'optimiseur et l'état aléatoire. Les fichiers de reprise complets restent sur Drive.

Reproducible loading / Chargement reproductible

The release contains tensor-only model.safetensors, a plain config.json, an explicit inference.py and checksum provenance. Download a revision-pinned snapshot, install the repository's requirements, and load it explicitly. No Hugging Face trust_remote_code is required. The optional smoke backbone fetches a pinned official Facebook Research Torch Hub source; inspect and cache that source for an offline deployment. RF-DETR 1.11 requires a native wrapper; the helper creates it locally from safe tensors and JSON, never from an external pickle.

La publication contient les tenseurs seuls, la configuration JSON, un chargeur explicite et les empreintes de provenance. Téléchargez une révision figée, installez les dépendances et chargez le module explicitement. Le backbone smoke utilise le code officiel Facebook Research figé à une révision ; conservez-le en cache pour un déploiement hors ligne. Le wrapper natif RF-DETR est construit localement à partir des tenseurs sûrs et du JSON.

from huggingface_hub import snapshot_download
import importlib.util
root = snapshot_download(REPOSITORY, revision=REVISION)
spec = importlib.util.spec_from_file_location('fireviewer_inference', root + '/inference.py')
fv = importlib.util.module_from_spec(spec)
spec.loader.exec_module(fv)
model, config = fv.load_model(root, device='cpu')  # or cuda

Set REPOSITORY to this repository ID and REVISION to a full commit SHA from its Files tab. The complete inference CLI and geometry are documented in PIPELINE_EN.md and PIPELINE_FR.md. This is an explicit PyTorch research interface, not a Transformers AutoModel export.

Renseignez l'identifiant du dépôt et une empreinte de commit complète. Le CLI et la géométrie sont décrits dans les deux documents du pipeline. Il s'agit d'une interface PyTorch de recherche ; aucun export AutoModel générique n'est annoncé.

Scope, rights and limitations / Périmètre, droits et limites

These checkpoints are retained research results. The original TEST set was locked during selection; no final held-out TEST score is claimed. Exact-byte/decoded-image duplicate checks were performed upstream, but event-level independence and deployment-domain transfer remain unestablished. Public linked data are rights-filtered subsets of the retained training corpus, not a byte-for-byte reproduction of the full training set. Private MyData_Fire and undocumented With-Augmentation-Big-1 images are absent from public datasets. Publicly releasing a checkpoint does not establish deployment qualification.

Ces checkpoints sont les résultats de recherche retenus. Le TEST d'origine est resté verrouillé pendant la sélection. Les contrôles de doublons ne démontrent pas l'indépendance des événements ni le transfert vers une caméra nouvelle. Les données publiques liées sont des sous-ensembles filtrés par droits, pas le corpus complet utilisé pour l'apprentissage. Publier les poids ne constitue pas une qualification de déploiement.

The model/code release uses Apache-2.0; RF-DETR and DINOv2 upstream notices must be retained. Image rights are separate and source-specific. Predictions are visual estimates, with possible missed fire, smoke confusion, lighting artifacts and source annotation omissions. They are not a calibrated emergency alarm or geographic ignition estimate. See each linked dataset's notices before reusing images.

La licence des poids/code est Apache-2.0, avec conservation des mentions des projets amont. Les images gardent leurs droits propres. Les sorties peuvent manquer des flammes ou confondre fumée, lumière et arrière-plan ; elles ne constituent ni une alarme d'urgence qualifiée ni une position géographique de départ de feu.

Official RF-DETR source and citation.

LiteRT FP32 export / Export LiteRT FP32 — 7 October 2026

The selected weights above are also available as a verified LiteRT inference package. It includes real CPU PyTorch/LiteRT parity evidence, output/class/preprocessing contracts, an Android ModelConfig and a Cadryl StudioPack. Static batch 1; no new training or quantization; Android-device qualification remains open. Full English/French cascade and external benchmark.

Les poids sélectionnés sont également disponibles dans le pack LiteRT d'inférence, avec validation numérique CPU, classes, coordonnées et prétraitement, contrat Android et format Cadryl. L'export conserve la sémantique et les seuils figés ; il ne constitue pas une qualification sur téléphone. Le benchmark distingue alerte d'image et localisation précise des petites flammes. Les points/masques fumée rejetés sont exclus.

Les petits cœurs sont toujours appréciés ! ❤️ Si ce travail vous est utile, laissez un Like sur Hugging Face : ça fait plaisir, ça aide à le faire découvrir et ça ne coûte rien. Merci !

EN: Likes are always welcome. If these resources help you, a little heart makes our day and costs nothing. Thank you!