モデルラボ(インフラインテリジェンス)が公開している物体検出モデルです。 道路の画像や固定カメラの映像から車両を見つけ、日本の車の形に合わせた9つの種類に分けます。 映像の車両を種類ごとに数える(交通量を数える)ためのコードも同梱しています。
dets6([1, 300, 6]、1行が [x1, y1, x2, y2, score, class_id])NOTICE と ATTRIBUTION.csv交通量調査の車種の区分はナンバープレートで決まりますが、画像からナンバーは読めないので、見た目で分かる9つの種類に分けます。 台数は、数えたあとで交通量調査の区分に足し合わせます(次の節)。
| 番号 | クラス | 種類 | 見分け |
|---|---|---|---|
| 0 | car |
乗用車 | セダン・ハッチバック・SUV・ミニバン・ステーションワゴン・軽乗用車。タクシー・パトカーも含む |
| 1 | van |
バン | ハイエース・キャラバンのような箱形で、ボンネットが短いか無い車。軽バンも含む |
| 2 | kei_truck |
軽トラック | 軽の運転席(幅が狭く、前に短い鼻)と、低いあおりの荷台 |
| 3 | small_truck |
小型トラック | 2トン級まで。運転席の幅が乗用車に近く、後輪は1軸。平ボディ・箱・ダンプ・保冷車を含む |
| 4 | large_truck |
中型・大型トラック | 4トン級から上。運転席が高く幅が広い。後輪が2軸以上。タンクローリー・ミキサー車・塵芥車(中型以上)・車両運搬車を含む |
| 5 | trailer |
トレーラー(連結車) | けん引する車と荷台がつながった物を1台として1つの枠にする。荷台だけで停まっている物も含む |
| 6 | bus |
バス | 路線バス・観光バス・マイクロバス・送迎の中型・小型バス |
| 7 | motorcycle |
オートバイ | 原付・スクーター・大型二輪。乗っている人も枠に含める |
| 8 | special_vehicle |
特殊車両 | 建設機械・フォークリフト・除雪車・農耕用トラクタ・道路の作業車(高所作業車・標識車・散水車) |
| クラス | 4区分 | 2区分 |
|---|---|---|
car |
乗用車 | 小型車 |
van |
小型貨物車 | 小型車 |
kei_truck |
小型貨物車 | 小型車 |
small_truck |
小型貨物車 | 小型車 |
large_truck |
普通貨物車 | 大型車 |
trailer |
普通貨物車 | 大型車 |
bus |
バス | 大型車 |
motorcycle |
別に数える | 別に数える |
special_vehicle |
特殊車両(別に数える) | 特殊車両(別に数える) |
区分の決め方は、福井県「平成22年度道路交通センサスの解説」(https://www.pref.fukui.lg.jp/doc/douken/census/h22census_d/fil/001.pdf) を参考にしました。
| ファイル | 中身 |
|---|---|
vehicle_rfdetr_small_v1.pth |
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) |
vehicle_rfdetr_small_v1.onnx |
ONNX(opset 17、入力 512×512 で固定)。出力は dets6 |
config.json |
クラス・交通量調査の区分への足し合わせ・入出力・前処理・しきい値 |
MODEL_CONTRACT.md |
入出力の決まり(dets6) |
counting/ |
映像の車両を数えるコード(線で数える・道路ごとのゲートで流入・流出と方向別を数える)。使い方は counting/README.md |
eval/ |
評価の結果と、形式ごとの出力の一致の記録 |
examples/predict_onnx.py |
ONNX で動かす例 |
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投稿者) |
pip install onnxruntime numpy opencv-python
python examples/predict_onnx.py vehicle_rfdetr_small_v1.onnx road.jpg
from rfdetr import RFDETRSmall
model = RFDETRSmall(pretrain_weights="vehicle_rfdetr_small_v1.pth", num_classes=9)
detections = model.predict("road.jpg", threshold=0.45)
print(detections.xyxy, detections.class_id, detections.confidence)
class_id の番号は「何を見つけるか」の表のとおりです。
predict は同じ枠を種類を替えて2回返すことがあるので、台数を数えるときは種類を問わない NMS をかけてください(detections.with_nms(threshold=0.7, class_agnostic=True))。
pip install rfdetr trackers supervision opencv-python
cd counting
# 線を越えた車両を、向きごとに数える
python count.py video.mp4 --weights ../vehicle_rfdetr_small_v1.pth --out out/line --line 0,0.6,1,0.6
# 交差点の道路ごとのゲートで、流入・流出と、どの道路からどの道路へ行ったかを数える
python count.py video.mp4 --weights ../vehicle_rfdetr_small_v1.pth --out out/gates --gates gates.json
追跡は Roboflow の trackers(ByteTrack・OC-SORT)です。gates.json の書き方は counting/README.md にあります。
image は [1, 3, 512, 512]、RGB、0〜255 の float32 です。元の画像を正方形へ引き伸ばします(cv2.INTER_LINEAR)。正規化はモデルの中で行います。dets6 は [1, 300, 6]。1行が [x1, y1, x2, y2, score, class_id] で、座標は 0〜1 の割合です。クエリごとに一番スコアの大きい種類を1つだけ出します。score がしきい値以上の行だけを使います。MODEL_CONTRACT.md を見てください。学習と同じ地域から、200m 四方の区画ごとに学習と分けた画像 468 枚(車両の枠 1,488 個)での数です。 しきい値を決め、重みを選ぶのに使いました。
| 指標 | 値 |
|---|---|
| AP50 | 0.750 |
| AP50:95 | 0.612 |
| AP50:95(小さい車、32 画素角未満) | 0.218 |
| 適合率(しきい値 0.45) | 0.803 |
| 再現率(しきい値 0.45) | 0.749(1,114/1,488) |
| F1(しきい値 0.45) | 0.775 |
| 適合率(種類を問わない) | 0.900 |
| 再現率(種類を問わない) | 0.839(1,248/1,488) |
AP50 は、予測の枠と正解の枠が IoU 0.5 以上で重なり、種類も同じときに合ったとした平均適合率(AP。しきい値を変えたときの適合率と再現率から出す、検出の総合点)です。 再現率(見逃さずに見つけた割合)と適合率(見つけた物のうち正しかった割合)は、しきい値 0.45 で数えました。 「種類を問わない」は、種類が違っても車として見つけていれば合ったとする数え方で、台数を数えるときに近い数です。
種類ごとの数です。再現率は、しきい値 0.45 で、種類も合ったものの割合です。
| クラス | 枠の数 | AP50 | AP50:95 | 再現率(種類も一致) | 再現率(種類を問わない) |
|---|---|---|---|---|---|
car |
818 | 0.881 | 0.710 | 0.819 | 0.847 |
van |
176 | 0.713 | 0.626 | 0.591 | 0.875 |
kei_truck |
37 | 0.733 | 0.608 | 0.649 | 0.811 |
small_truck |
113 | 0.651 | 0.529 | 0.637 | 0.832 |
large_truck |
182 | 0.741 | 0.584 | 0.714 | 0.802 |
trailer |
36 | 0.643 | 0.556 | 0.500 | 0.778 |
bus |
42 | 0.888 | 0.753 | 0.810 | 0.905 |
motorcycle |
72 | 0.823 | 0.559 | 0.736 | 0.764 |
special_vehicle |
12 | 0.679 | 0.579 | 0.750 | 0.833 |
この公開物の重みを CPU で流し直すと、AP50 は 0.750(しきい値 0.45 で適合率 0.803・再現率 0.749)でした。ONNX の出力(dets6。枠ごとに種類を1つだけ出す)で同じように数えると、AP50 は 0.695(適合率 0.805・再現率 0.739)です(eval/valid_reproduced.json)。dets6 は種類を迷った枠でも種類を1つしか出さないので、種類ごとの AP は低く出ますが、しきい値での適合率・再現率はほぼ同じです。
学習にも検証にも使っていない、別の地域の画像 429 枚(車両の枠 1,369 個)で、最後に1回だけ評価しました。しきい値は検証で決めた 0.45 です。
| 指標 | 値 |
|---|---|
| AP50 | 0.642 |
| AP50:95 | 0.523 |
| AP50:95(小さい車、32 画素角未満) | 0.134 |
| 適合率(しきい値 0.45) | 0.843 |
| 再現率(しきい値 0.45) | 0.752(1,029/1,369) |
| F1(しきい値 0.45) | 0.795 |
| 適合率(種類を問わない) | 0.920 |
| 再現率(種類を問わない) | 0.820(1,122/1,369) |
| クラス | 枠の数 | AP50 | AP50:95 | 再現率(種類も一致) | 再現率(種類を問わない) |
|---|---|---|---|---|---|
car |
1,035 | 0.885 | 0.690 | 0.816 | 0.837 |
van |
126 | 0.624 | 0.541 | 0.508 | 0.810 |
kei_truck |
14 | 0.602 | 0.556 | 0.429 | 0.786 |
small_truck |
28 | 0.602 | 0.486 | 0.607 | 0.964 |
large_truck |
59 | 0.550 | 0.455 | 0.576 | 0.644 |
trailer |
12 | 0.373 | 0.337 | 0.250 | 1.000 |
bus |
32 | 0.876 | 0.770 | 0.812 | 0.906 |
motorcycle |
57 | 0.643 | 0.459 | 0.561 | 0.596 |
special_vehicle |
6 | 0.626 | 0.409 | 0.333 | 0.500 |
kei_truck(14 個)・small_truck(28 個)・trailer(12 個)・bus(32 個)・special_vehicle(6 個)は枠が少なく、数値は目安です。数値の元データは eval/test.json にあります。
kei_truck(37 個)・trailer(36 個)・special_vehicle(12 個)は検証の枠が少なく、数値は目安です。eval/ にあります。渋谷の交差点を高い所から写した昼の映像(3分、1920×1080、30 fps で処理)で、交差点につながる4本の道路にゲートを置いて数えました(追跡は ByteTrack、counting/count.py の既定の設定)。
正解は、AIアシスタントがモデルの出力を見ずに映像のフレームを見て、ゲートを越えた車を1台ずつ付け、同じ車の入口と出口を組んだものです。人が1台ずつ確かめてはいません。
| 項目 | 正解 | 合った | 余分 |
|---|---|---|---|
| 流入(道路ごとの合計) | 103台 | 93台(90%) | 0台 |
| 流出(道路ごとの合計) | 104台 | 98台(94%) | 3台 |
van と car の取り違え: 軽のバンやワンボックスを car と答えることがあります(検証の van の再現率は、種類も一致では 0.59、種類を問わないと 0.88)。背の高い乗用車とミニバンは car、箱形でボンネットが短い物は van という分け方自体にも迷う車があります。Mapillary(https://www.mapillary.com/)に投稿された、日本国内の路上の画像を使いました。画像のライセンスは CC BY-SA 4.0 です。 学習 2,621 枚・検証 468 枚、投稿者は 70 人です。 学習と検証は、200m 四方の区画ごとに分けています(同じ場所の画像が学習と検証の両方に入らないように)。
| 分割 | 画像 | car |
van |
kei_truck |
small_truck |
large_truck |
trailer |
bus |
motorcycle |
special_vehicle |
枠の計 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 学習 | 2,621 | 4,425 | 1,049 | 231 | 531 | 1,046 | 115 | 286 | 518 | 86 | 8,287 |
| 検証 | 468 | 818 | 176 | 37 | 113 | 182 | 36 | 42 | 72 | 12 | 1,488 |
ATTRIBUTION.csv に、投稿者の一覧は NOTICE にあります。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。
学習に使った画像は CC BY-SA 4.0 ですが、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。
この考え方は作者の解釈で、これを確かめた判例はありません。
学習に使った画像への帰属として、Mapillary とその投稿者を 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)。
@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}
}
インフラインテリジェンス(https://infra-intelligence.com/) contact@infra-intelligence.com
Vehicle RF-DETR Small detects vehicles in road images and fixed-camera video and sorts them into nine classes that follow Japanese vehicle shapes: car, van (box-shaped vans incl. kei vans), kei_truck, small_truck (up to ~2 t, single rear axle), large_truck (4 t and up), trailer (tractor + trailer as one box), bus, motorcycle, special_vehicle (construction machines, road work vehicles, etc.). The class counts can be summed into the 4-class / 2-class categories of Japanese traffic censuses (see config.json); those are estimates because census categories are defined by license plates, which the model does not read. Published by Model Lab (Infra Intelligence). Code for counting vehicles in video (line crossing, and per-road inflow/outflow and origin–destination counts with gates) is included in counting/.
image: float32 [1,3,512,512], RGB, raw 0–255, stretched to a square with bilinear interpolation (no antialias, cv2.INTER_LINEAR). Normalization is inside the graph.dets6: [1,300,6] rows of [x1,y1,x2,y2,score,class_id], normalized coordinates, one best class per query, no NMS needed.eval/onnx_parity.json).NOTICE and ATTRIBUTION.csv). Contact: contact@infra-intelligence.comvehicle_rfdetr_small_v1.pth 127 MBvehicle_rfdetr_small_v1.onnx 114 MBcoreml/vehicle_rfdetr_small_v1.mlpackage/Data/com.apple.CoreML/weights/weight.bin 114 MB