rfdetr-medium-visible-flame-v2.5

English — purpose and training

One-class visibleflame detector on real probable-fire crops, separating visible combustion from smoke. Initialize from rfdetr-medium-probable-fire-v2.5 selected E10 with a fresh optimizer. Input 1088 px; outputs are boxes in crop pixels, reprojected to original-image coordinates before global duplicate suppression. It is a crop specialist, not a separately qualified full-image detector.

Run 20261005-081147-visible-flame: 10 completed epochs, selected E8. RF-DETR 1.11.0 Medium, micro-batch 8 × accumulation 2 = effective 16, workers 2, seed 42; detector LR 3e-5, backbone LR 3e-6, 0.5-epoch warmup and cosine decay. Balanced rotation uses 25,920 crops per epoch, not the whole 221,168 prepared train crops: 16,848 real proposals (65%), 6,480 train-only missed-flame jitters (25%) and 2,592 wider contexts (10%). No replacement inside one epoch; deterministic rotation between epochs. Public v2.5-specialisation-visible-fire contains 137,102 train / 14,822 validation crops after rights filtering. It is a reproducibility subset, not the exact sampler sequence.

Français — rôle et apprentissage

Spécialiste visibleflame dans les propositions probable-fire : il apprend à séparer la combustion visible de la fumée. Il part du détecteur E10, avec optimiseur neuf. Les boîtes du crop sont reprojetées dans l'image entière avant NMS global. Le run a terminé 10 époques ; le checkpoint retenu est E8. Chaque époque parcourt 25 920 crops équilibrés, avec rotation déterministe, et non tout le pool de 221 168 crops. Les LR sont 3e-5 pour le détecteur et 3e-6 pour le backbone, batch effectif 16, warmup 0,5 époque et décroissance cosinus.

Cascade validation / Validation en cascade

8,288 original validation images and 17,450 real proposal ROIs; no GT fallback on validation. Stage 1 is frozen at its E10 checkpoint. Context is 30% per side, minimum crop side 128; stage-1 score ≥0.10, NMS 0.75, at most six proposals. Visible outputs are reprojected, globally suppressed with NMS 0.60 and capped at 100. AP uses permissive score ≥0.001 with standard COCO maxDets [1,10,100]; counts use the fixed comparison score 0.25 and IoU 0.50. Raw RF-DETR queries (300) are candidates, not 300 plausible flames. No inference-context or threshold change was used to improve the reported epoch comparison.

Validation sur 8 288 images et 17 450 vraies ROI du Stage 1 figé, sans récupération des boîtes GT. Le contexte vaut 30% par côté, avec minimum 128 px. Les prédictions sont évaluées après reprojection et NMS global 0,60. L'AP COCO utilise un seuil permissif ; les comptes à 0,25 sont distincts. Les 300 queries brutes ne sont pas autant de flammes confirmées.

Tiny = original box area / original image area ≤0.0025. COCO small is a different original-pixel criterion. Multi-flame recall aggregates matched GT on images containing multiple flames; it is not complete-scene recall. Mean IoU is conditional on matched positives. Precision remains low at the comparison threshold; these results do not certify unattended alerts. The observed 21.97 ms/ROI was a warm L4, three-batch validation timing excluding IO, preprocessing and other stages, not end-to-end latency.

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 trustremotecode 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.

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 PIPELINEEN.md and PIPELINEFR.md. This is an explicit PyTorch research interface, not a Transformers AutoModel export.

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 MyDataFire 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.

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.