PPE RF-DETR Small(保護具 RF-DETR Small)

モデルラボ(インフラインテリジェンス)が公開している、建設現場で保護具を着けているかを見るモデルです。 写真や定点カメラの画像から作業員を見つけ、一人ずつ、ヘルメットと安全ベストを「着用(on)」「未着用(off)」「わからない(unknown)」で返します。

中では2つのモデルを順に使います。まず検出器が、人(person)、頭(head)、安全ベスト(vest)の3クラスを見つけます。RF-DETR Small(COCO で事前学習した公開重み、Apache-2.0)を追加学習したものです。 続いて頭の判定器が、頭のまわりの切り出しだけを見て、工事用ヘルメットをかぶっているかを決めます。こちらは DINOv2-small(Apache-2.0)の特徴に RBF の SVM を学習させたものです。 人と部位の箱の重なりから作業員ごとの結果を決める部分は、numpy だけで動く Python のコードにして postprocess/ に入れました。

  • 学習データ: 公開のデータセット(Roboflow Universe の2つと Open Images V7)と Wikimedia Commons の写真
  • しきい値: 人 0.4、頭とベスト 0.3、ヘルメット(p_helmet)0.5
  • ライセンス: 重みとコードは Apache-2.0。学習データの帰属表示は NOTICE と ATTRIBUTION.csv

注意: 評価用の組(eval3、作業員 128 人)で、ヘルメット未着用の検出率は 0.857 でした。目標の 0.90 には届いていません。 主な外れは、帽子やフード、頭巾をヘルメットと誤判定するものです。安全のための取り締まりや、人の確認を省く用途には使わないでください(「苦手なこと・使うときの注意」を参照)。

何をするか

番号 クラス 名前 中身
0 person 人 人の全身(隠れた部分は見える範囲)。作業員以外の人も含む
1 head 頭 人の頭。ヘルメット・帽子・フードをかぶっていてもいなくても1つのクラス。ヘルメットの有無は頭の判定器が決める
2 vest 安全ベスト 反射材のついた高視認のベスト

検出器そのものはヘルメットの有無を見分けません。頭はかぶり物に関係なく1つのクラスとして見つけ、ヘルメットかどうかは、頭の判定器が切り出しだけを見て決めます。 作業着や反射ベストといった周りの手がかりに引っ張られて、帽子やフードの頭までヘルメットと答えてしまうのを避けるためです。

作業員ごとの決め方

examples/predict_onnx.py の run() と postprocess/ が、次の順に処理します。

  1. 検出器の出力のうち、スコア 0.05 以上の行を使う
  2. 頭の箱どうしが IoU 0.5 を超えて重なっていたら、点数の高い方を残して1つにまとめる
  3. 頭の補い: スコア 0.4 以上で高さ 64 ピクセル以上の人について、箱の上から 35% の範囲に頭(0.3 以上)が無ければ、人の箱の上端の中央に一辺 min(幅×0.7, 高さ×0.2) の正方形を置いて頭とみなす(スコア 0.3)
  4. スコア 0.3 以上の頭を切り出し(頭の箱のまわりを正方形に、余白 15% で 224×224)、頭の判定器で p_helmet(工事用ヘルメットである確からしさ)を出す
  5. スコア 0.4 以上の人に、背の高い人から順に、まだ使われていない部位を1つずつ割り当てる
    • ヘルメット: 中心が人の箱の上から 35% の帯に入る頭のうち、点数が一番高いものを使う。p_helmet が 0.5 以上なら on、未満なら off。頭が無ければ unknown
    • ベスト: 中心が人の箱の縦 15%〜75% の帯に入るベストがあれば on。無いときは、人の高さが 64 ピクセル以上で頭が見つかっていれば off、そうでなければ unknown
    • 帯は、人の箱の 10% ぶん左右と上に広げて取る

作業員かどうかは見分けません。通行人や見物の人も含め、写っている人は全て作業員として扱います。 ベストの「未着用」は、ベストが見つからなかったという意味です。反射帯の付いた作業着(つなぎ)は、評価の正解では着用として数えています。 フルハーネスや胴ベルトの着用、フックの掛け忘れは判定しません。

ファイル

ファイル 中身
ppe_rfdetr_small_v1.onnx 検出器の ONNX(opset 17、入力 512×512 で固定)。出力は dets6
ppe_rfdetr_small_v1.pth 検出器の PyTorch の重み(rfdetr 1.11.2 で読み込めることを確認。torch.load(weights_only=True) で開ける)
ppe_head_cls_v1.onnx 頭の判定器の ONNX(DINOv2-small + 特徴 + SVM + sigmoid を1つにしたもの。入力 [N, 3, 224, 224]、出力 p_helmet [N])
postprocess/heads.py 頭の箱のまとめ・頭の補い・頭の切り出し
postprocess/workers.py 作業員ごとの着用の決め方
examples/predict_onnx.py 2つの ONNX で画像から作業員ごとの結果を出す例
config.json クラス・入出力・前処理・しきい値・後処理の設定
MODEL_CONTRACT.md 2つのモデルの入出力の決まり
eval/ 評価の結果と、形式ごとの出力の一致の記録
LICENSE / NOTICE / ATTRIBUTION.csv ライセンスと帰属表示(学習に使った画像ごとの出所)

使い方

ONNX(2つのモデルと後処理)

pip install onnxruntime numpy pillow opencv-python
python examples/predict_onnx.py site.jpg

結果は作業員ごとに1行ずつ、次の形で出ます。box は元の画像のピクセルで表した [x, y, 幅, 高さ] です。下の数字は形を見せるための例です。

site.jpg: 作業員 2 人
  {"box": [412, 88, 160, 395], "helmet": "on", "vest": "off"}
  {"box": [130, 140, 92, 260], "helmet": "off", "vest": "unknown"}

Python からは run() を呼びます。

import onnxruntime as ort
from examples.predict_onnx import load_image, run

det = ort.InferenceSession("ppe_rfdetr_small_v1.onnx", providers=["CPUExecutionProvider"])
cls = ort.InferenceSession("ppe_head_cls_v1.onnx", providers=["CPUExecutionProvider"])
dets, workers = run(det, cls, load_image("site.jpg"))

PyTorch(検出器だけ)

from rfdetr import RFDETRSmall

model = RFDETRSmall(pretrain_weights="ppe_rfdetr_small_v1.pth", num_classes=3)
detections = model.predict("site.jpg", threshold=0.3)
print(detections.xyxy, detections.class_id, detections.confidence)

class_id は 0 が person、1 が head、2 が vest です。作業員ごとの結果まで出すには、頭の判定器(ONNX)と postprocess/ も使ってください。

入出力の決まり

  • 検出器: 入力 image は [1, 3, 512, 512]、RGB、0〜255 の float32。元の画像を正方形へ引き伸ばします(cv2.INTER_LINEAR)。出力 dets6 は [1, 300, 6] で、1行が [x1, y1, x2, y2, score, class_id](座標は 0〜1)。NMS は要りません。
  • 頭の判定器: 入力 image は [N, 3, 224, 224]、RGB、0〜255 の float32 の頭の切り出し。出力 p_helmet は [N]。

正規化(/255 と ImageNet の平均・標準偏差)は、どちらのモデルも中で行います。決まりの全体は MODEL_CONTRACT.md にあります。

評価

合格の目安

高さ 64 ピクセル以上の作業員について、次の目安を置きました。

項目 未着用の検出率 未着用の的中率
ヘルメット 0.90 以上 0.85 以上
安全ベスト 0.85 以上 0.80 以上

作業員の見落としは 10% 以下を目安にしました。

  • 未着用の検出率: 正解が「未着用」の作業員のうち、モデルも「未着用(off)」と答えた割合です。人を見落としたときや unknown と答えたときも、見逃しとして数えます。
  • 未着用の的中率: 正解が「着用」か「未着用」の作業員について、モデルが「未着用」と答えたもののうち、正解も「未着用」だった割合です。
  • 作業員の見落とし: 正解の作業員のうち、人の箱が IoU 0.5 以上で見つからなかった割合です。

評価用の組

どれも学習に使っていない Wikimedia Commons の写真から作った3つの組で、学習の写真とは撮影者が重ならないように分けています。評価用の画像は公開していません。

組 画像 作業員 ヘルメット なし / あり / 不明 ベスト なし / あり / 不明
eval3 58 128 56 / 65 / 7 105 / 20 / 3
eval2 102 327 157 / 137 / 33 175 / 141 / 11
eval1 203 649 164 / 418 / 67 247 / 362 / 40

eval3 は合否を決めるために最後に作った組で、このモデルで初めて使いました。しきい値は全て学習側の検証(val)で決めてあり、評価用の組を見て調整してはいません。 eval2 は前の合否の組です。設定を比べるのに何度か使ったので、少し甘めに出ているかもしれません。eval1 は最初の組で、何度も使ってきたため、照合のためだけに載せています。

正解は、作業員の箱と、ヘルメット・ベストの on / off / unknown です。AIアシスタントが付け、別の AIアシスタントが全数を見直しました。人が1人ずつ確かめてはいません。 高さ 64 ピクセル未満の作業員、作業員でない人、箱が不正確な人は数えていません。そこに出た検出も、余計な人としては数えません。

結果

表の「記録」は、開発のときに PyTorch(学習の環境)で数えた値です。「公開物(ONNX)で流し直し」は、この公開物の2つの ONNX と postprocess/ を CPU で流し直した値です。

組 作業員 項目 記録 公開物(ONNX)で流し直し 目標 判定
eval3(合否を決める組・初めての使用) 128 ヘルメット未着用の検出率 0.857 0.857 0.90 以上 届かない
ヘルメット未着用の的中率 0.941 0.906 0.85 以上 満たす
ベスト未着用の検出率 0.857 0.876 0.85 以上 満たす
ベスト未着用の的中率 0.957 0.958 0.80 以上 満たす
作業員の見落とし 8.6% 8.6% 10% 以下 満たす
eval2(前の合否の組・比べるのに何度か使った) 327 ヘルメット未着用の検出率 0.866 0.873 0.90 以上 届かない
ヘルメット未着用の的中率 0.971 0.972 0.85 以上 満たす
ベスト未着用の検出率 0.846 0.851 0.85 以上 届かない
ベスト未着用の的中率 0.931 0.925 0.80 以上 満たす
作業員の見落とし 7.0% 7.0% 10% 以下 満たす
eval1(照合のみ・最初の組で何度も使った) 649 ヘルメット未着用の検出率 0.774 0.780 0.90 以上 届かない
ヘルメット未着用の的中率 0.852 0.859 0.85 以上 満たす
ベスト未着用の検出率 0.814 0.822 0.85 以上 届かない
ベスト未着用の的中率 0.824 0.832 0.80 以上 満たす
作業員の見落とし 13.6% 14.0% 10% 以下 届かない

ヘルメット未着用の検出率は、eval3 で 0.857(56 人中 48 人)にとどまり、目標の 0.90 に届いていません。 eval2 と eval1 でも届いていません。 eval3 は作業員 128 人、そのうちヘルメット未着用が 56 人という小さな組で、1人違うだけで 1.8 ポイント動きます。0.857 の 95% 区間(Wilson)はおよそ 0.74〜0.93 です。

ベストと作業員の見落としは、eval3 では目安を満たしました(ベスト未着用の検出率 0.876、的中率 0.958、見落とし 8.6%)。 ただ、ベスト未着用の検出率は eval2 と eval1 では目安に届かず、eval1 では作業員の見落としも目安を超えています。 eval3 で残ったヘルメット未着用の見逃しは、人の見落としによるものと、判定器が帽子などを「着用」と答えたものでした。

数値の元データは eval/workers_eval3.json、eval/workers_eval2.json、eval/workers_eval1.json にあります。

公開物と開発の流れの一致

公開物の流れ(ONNX 2つと postprocess/)が、開発に使った流れ(PyTorch の検出器、頭の判定器、頭の補い、着用の決め方)と同じ結果を出すかを、評価用の組の画像で作業員ごとに比べました。 対象は高さ 64 ピクセル以上の人で、人の箱を IoU 0.5 以上で1対1に組んでいます。

組 比べた相手 相手の作業員 公開物の作業員 組めた人 helmet・vest とも同じ 相手だけ / 公開物だけ
eval3 社内の流れ(CPU) 129 130 129 124(96.1%) 0 / 1
eval3 社内の流れの記録(MPS) 129 130 129 124(96.1%) 0 / 1
eval2 社内の流れ(CPU) 338 339 338 336(99.4%) 0 / 1
eval2 社内の流れの記録(MPS) 338 339 338 336(99.4%) 0 / 1
eval1 社内の流れ(CPU) 625 623 619 602(97.2%) 6 / 4
eval1 社内の流れの記録(MPS) 625 623 619 602(97.2%) 6 / 4

違いは、検出の箱と点数のわずかな差から来ています。前処理の丸めや、数値の細かな差によるものです。 eval3 で結果が変わった人を見ると、頭の箱が数ピクセルずれて切り出しが変わり、p_helmet が 0.5 をまたいだ人と、しきい値ちょうどの頭やベストが入れ替わった人でした。ヘルメットの判定は、頭の箱が少しずれただけでも変わることがあります。

同じ検出を渡せば、頭の箱のまとめと着用の決め方は、開発のコードと公開のコードで全画像とも同じでした(eval/pipeline_agreement.json)。

頭の判定器の ONNX は、学習に使っていない頭 429 個で元の判定器と比べました。p_helmet の差は最大 2.0e-04 で、しきい値 0.5 での答えが変わったものは 0 個です(eval/head_cls_parity.json)。

検出器の ONNX と PyTorch に同じ入力を渡したときの一致は、eval/onnx_parity.json にあります。検証 2,265 枚でスコア 0.3 以上の 16,170 組を比べ、1 組が組めず、点数の差は最大 0.015 でした(目安は 0.01 以下)。 組めなかったのは、同じ人に重なって出た2つめの人の箱です(PyTorch 0.353、ONNX 0.289)。

検出器だけの数(参考)

学習側の検証(val)2,265 枚で測ると、検出器の ONNX の AP50 は 0.944 です(AP50:95 0.732。person 0.975、head 0.978、vest 0.878。eval/detector_valid.json)。 検証の正解は学習と同じ付け方の箱で、下書きも含んでいるので、作業員ごとの評価より甘く出ます。

苦手なこと・使うときの注意

  • 帽子・フード・頭巾: キャップやニット帽、フード、頭巾、溶接面をかぶった頭を、ヘルメットと答えることがあります。ヘルメット未着用の見逃しは、主にこれが原因です。
  • ヘルメットは頭の切り出しだけで決める: 頭が小さい、ぼやけている、後ろを向いている、手や物で隠れているといったときは外れやすくなります。頭が見つからない人は人の箱の上の方を頭とみなして決めるので、しゃがんだ人や横になった人では外れます。
  • 人の見落とし: 遠くの小さな人、重なった人、足場や機械の陰にいる人は見落とします(eval1 で 14.0%)。見落とした人は、ヘルメットもベストも決められません。
  • ベスト: 背中だけが写っている、前を開けているなど反射ベストが見えない向きや、蛍光色の上着やつなぎでは外れやすくなります。ベストの「未着用」は、見つからなかったという意味です。
  • 作業員かどうかは見分けない: 通行人や見物の人も作業員として扱います。
  • 学習データ: 学習の画像の多くは公開のデータセットで、海外の現場やネットの写真が中心です。日本の現場の画像はほとんど入っていません。夜や雨、定点カメラの映像では確かめていません。
  • 評価の組が小さい: eval3 は作業員 128 人です。数値には大きな幅があるものとして見てください。
  • 安全の判断に使わない: このモデルの結果だけで、作業員の取り締まりや入場の可否、安全についての判断をしないでください。外れがあることを前提に、人が確かめるときの手助けとして使ってください。現場で使うときは、先にその現場の画像の一部で人の判定と比べてください。
  • 人の写った画像を扱うときは、その国や地域のプライバシーの決まりに従ってください。

学習データ

検出器

学習 7,535 枚、検証 2,265 枚です。

分割 Construction Site Safety Hard Hat Workers Open Images V7 Wikimedia Commons 画像の計 person head vest
学習 244 4,060 3,012 219 7,535 22,069 19,851 3,898
検証 39 1,761 452 13 2,265 7,304 6,819 1,050
  • Construction Site Safety(Roboflow Universe、CC BY 4.0): 元の画像の出所は書かれていません。元の名前で同じ画像を除いてから、学習と検証に分けました。
  • Hard Hat Workers(Roboflow Universe、Public Domain。原本の Harvard Dataverse は CC0 1.0): 画像の集め方は書かれていません。
  • Open Images V7(画像は Flickr の撮影者ごとの CC BY 2.0、箱の注釈は CC BY 4.0): 人とヘルメットの写真と、ヘルメット以外の帽子をかぶった人の写真です。
  • Wikimedia Commons: 作業現場の写真です。ライセンスは画像ごとに違います(下の「ライセンスと帰属表示」を参照)。

箱は、元のデータセットの箱と、手元で動く公開の検出モデル(Grounding DINO と OWLv2、どちらも Apache-2.0)が出した下書きを組み合わせて作りました。 下書きの点数がどちらとも言えない場所は、学習に使う画像の写しの上で灰色に塗っています。Commons の写真の頭の箱は AIアシスタントが見て付けたもので、人が1枚ずつ確かめてはいません。 下書きに使ったモデルは公開物に含めていません。

頭の判定器

頭の切り出しで学習しました(学習 13,385 個、検証 4,532 個)。

出所 画像 学習 ヘルメット / それ以外 検証 ヘルメット / それ以外
Hard Hat Workers 4,356 4,761 / 3,342 2,045 / 1,506
Construction Site Safety 162 102 / 171 10 / 26
Open Images V7(Person・Helmet) 955 924 / 421 141 / 52
Open Images V7(帽子の写真) 1,839 14 / 2,077 3 / 346
Wikimedia Commons(作業現場) 216 219 / 259 26 / 103
Wikimedia Commons(工種・かぶり物) 557 51 / 1,044 10 / 264

公開のデータセットの頭は、検出器の学習データと同じ画像に付いていた、前の版のラベルから取りました。ラベルは「ヘルメットをかぶった頭」と「それ以外の頭」の2クラスで、帽子の写真の頭は「それ以外」に入れています。

Commons の頭には、AIアシスタントが「ヘルメット」「それ以外」「わからない」のどれかを付け、わからないものは除きました。2つめの組は、2回独立に付けて答えがそろったものだけを使っています。 作業現場のかぶり物の例を増やすため、Commons の頭は学習で4倍の重みにしました。

学習と検証は撮影者ごとに分けました(公開のデータセットは画像ごと)。判定器の SVM は学習の頭だけで学習し、しきい値は検証で決めています。 判定器の ONNX には、SVM のサポートベクトルとして、学習の頭の切り出しから作った DINOv2 の特徴が 2,040 個(768 次元)入っています。画像そのものは入っていません。

画像とラベル(データセット)は、この公開物に含めていません。画像ごとの出所、作者、ライセンスは ATTRIBUTION.csv にあります。10,357 枚ぶんで、検出器に使ったのが 9,800 枚、頭の判定器が 8,085 枚です。両方に使った画像は1行にまとめています。

学習の設定(検出器)

  • 元の重み: RF-DETR Small(COCO で事前学習した公開重み)
  • 入力の大きさ: 512(正方形へ引き伸ばす。学習のときはバッチごとに大きさを変えて混ぜる)
  • エポック: 30。公開する重みは、学習中の検証の mAP(AP50:95)が一番よかった 21 エポック目のもの(EMA の重みで AP50:95 0.731・AP50 0.944)
  • バッチ: 4、勾配の累積: 4(実質 16)
  • 学習率: 0.0001(エンコーダ 0.00015)、AdamW、重み減衰 0.0001
  • EMA(重みの移動平均): あり(減衰 0.993)。公開する重みは EMA のもの
  • 乱数の種: 42
  • 計算機: Apple Silicon(PyTorch MPS)

ライセンスと帰属表示

重みとコードは Apache-2.0 です(LICENSE)。著作権表示と帰属は NOTICE にまとめています。

学習に使った画像には、CC BY 4.0・CC BY 2.0・CC0・Public Domain のほか、Wikimedia Commons の CC BY-SA の画像が 351 枚含まれます(Commons の 789 枚の内訳: CC BY-SA 4.0 264、Public domain 240、CC BY 2.0 93、CC0 59、CC BY-SA 3.0 43、CC BY-SA 2.0 41、CC BY 4.0 29、CC BY 3.0 16、CC BY-SA 3.0 de 1、CC BY 2.5 1、CC BY-SA 3.0 igo 1、CC BY-SA 3.0 au 1)。 画像そのものは公開物に含めていません。学習済みの重みは画像そのものではないと考え、重みは Apache-2.0 で公開しています。 これは作者の解釈で、裏付ける判例はありません。 学習に使った画像への帰属として、データセットと画像ごとの作者を NOTICE と ATTRIBUTION.csv に記しています。

元のモデル RF-DETR は Copyright 2025 Roboflow, Inc.(Apache-2.0)です。構造を引用するときは、次の文献を挙げてください。rfdetr 1.11.2 の README に載っている形です。

@inproceedings{robinson2026rfdetr,
  title     = {RF-DETR: Real-Time Detection Transformer},
  author    = {Robinson, Isaac and Robicheaux, Peter and Popov, Matvei and Ramanan, Deva and Peri, Neehar},
  booktitle = {International Conference on Learning Representations (ICLR)},
  year      = {2026},
  url       = {https://arxiv.org/abs/2511.09554}
}

頭の判定器の特徴には DINOv2-small(Copyright (c) Meta Platforms, Inc. and affiliates.、Apache-2.0、facebook/dinov2-small の版 ed25f3a31f01632728cabb09d1542f84ab7b0056)を使っています。重みには手を加えず、そのまま ONNX に入れました。 文献: Oquab et al., "DINOv2: Learning Robust Visual Features without Supervision", 2023(https://arxiv.org/abs/2304.07193)。

問い合わせ

インフラインテリジェンス(https://infra-intelligence.com/) contact@infra-intelligence.com


English summary

PPE RF-DETR Small checks whether people on construction sites are wearing their protective gear. Give it a photo or a frame from a fixed camera and it finds the people in it, then reports for each worker whether the helmet and the high-visibility vest are on, off or unknown. It is published by Model Lab (Infra Intelligence).

  • How it works. Two models run one after the other. The detector is RF-DETR Small (COCO-pretrained, Apache-2.0), fine-tuned to find three classes: person, head and vest. There is a single head class, whether or not the head has a helmet on. The head classifier then looks only at a square crop around each head (224×224, with a 15% margin) and returns p_helmet. It runs an RBF SVM with a Platt sigmoid on DINOv2-small features (Apache-2.0, used unchanged), and the whole classifier is exported as a single ONNX file.
  • From detections to workers. The per-worker rules are plain Python with numpy, in postprocess/. Heads that overlap (IoU > 0.5) are merged. If a person has no detected head in the top 35% of their box, a stand-in head box is placed at the top centre. Heads and vests are then handed out to people, starting with the tallest. The helmet is on when p_helmet ≥ 0.5. The vest is off only when no vest is found, a head is found and the person is at least 64 px tall. The thresholds are 0.4 for people, 0.3 for heads and vests and 0.5 for p_helmet, all chosen on the validation split of the training data.
  • How well it does. The test photos come from Wikimedia Commons and were held out from training, and none of their photographers appear in the training set. The labels were made by an AI assistant and every one was re-checked by a second AI assistant; no person went through them worker by worker. On eval3, the set that decides pass or fail and was used here for the first time (128 workers), helmet-off recall is 0.857. That does not meet the 0.90 target (95% CI roughly 0.74–0.93). Helmet-off precision is 0.906, vest-off recall is 0.876 with precision 0.958, and 8.6% of workers are missed. The released ONNX pipeline gives per-worker results very close to those of the development pipeline (see the agreement table and eval/).
  • Where it falls short. Most errors are caps, hoods and head scarves taken for helmets. The helmet call is based on the head crop alone. People who are small in the frame, partly hidden or crouching may be missed or get the wrong result. The model cannot tell workers from bystanders. The training data is mostly public datasets, with few images from Japan. Do not rely on it alone for safety enforcement or any safety-critical decision.
  • Training data. Construction Site Safety (CC BY 4.0) and Hard Hat Workers (Public Domain; the original is CC0 1.0) from Roboflow Universe, Open Images V7 (images CC BY 2.0, boxes CC BY 4.0) and Wikimedia Commons (licensed per image: CC0 / Public domain / CC BY / CC BY-SA). The images themselves are not included, and ATTRIBUTION.csv lists where each one came from. Some of the images are CC BY-SA. The weights are still released under Apache-2.0, on the view that trained weights are not the images themselves. No court ruling has confirmed that view.
  • License. Weights and code are under Apache-2.0. Contact: contact@infra-intelligence.com
Downloads last month
77
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Papers for infra-intelligence/ppe-rfdetr-small