Характеристики

Лицензия: MIT
Опубликована: 21 авг 2026

Ссылки

Hugging Face

insect-detection-yolov8

Mustafa5645344

Поиск объектовИзображение → bounding_boxes

Дообученная YOLOv8m обнаруживает и локализует насекомых-вредителей на сельскохозяйственных изображениях.

101скачиваний за 30 дней0лайковвеса обновлены21 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Mustafa5645344 подготовил модель YOLOv8m, дообученную на 50 000 аугментированных сельскохозяйственных изображений для обнаружения и локализации насекомых-вредителей на полях и в теплицах. Модель принимает изображения и возвращает классы насекомых с координатами найденных объектов.

В карточке приведены результаты проверки на 2 987 изображениях: mAP@50 — 85,72%, точность — 83,46%, полнота — 85,86%. Для обучения использовались Ultralytics YOLOv8 версии 8.3.0 и изображения размером 640 × 640. Репозиторий содержит веса PyTorch; заявлена лицензия MIT. Результаты и скорость вывода зависят от набора данных и оборудования, а приведённые метрики не гарантируют качество на новых культурах, регионах или условиях съёмки.

Сценарии применения

обнаружение насекомых-вредителей на снимках полей
поиск вредителей на изображениях из теплиц
локализация насекомых для мониторинга посевов
автоматический подсчёт обнаруженных вредителей на изображении

Ограничения

Метрики получены на валидационном наборе карточки и могут не отражать качество на других культурах, регионах и условиях съёмки. Скорость зависит от оборудования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Insect Detection: YOLOv8m Object Detection Model

This repository provides production-ready YOLOv8m (Medium) weights fine-tuned on 50,000 augmented agricultural images (specifly-3-rwm7i) for real-time localization and detection of insect pests in fields and greenhouses.

Performance Highlights & Overall Metrics

mAP@50: 85.72% (0.8572 peak, 0.8540 validation)
mAP@50-95: 51.87%
Precision: 83.46%
Recall: 85.86%
F1-Score: 82.40%
Inference Speed: 1.5 ms per image (~400+ FPS on NVIDIA A100)
Model Parameters: 23.23M | GFLOPs: 67.9

Detailed Per-Class Validation Breakdown (mAP@50)

Insect Class	Images	Instances	Precision (P)	Recall (R)	mAP@50	mAP@50-95
All Classes	2,987	3,097	0.835	0.816	0.854	0.519
`stem_borer`	206	223	0.957	0.978	0.992	0.794
`leafhopper`	208	216	0.942	0.949	0.976	0.681
`ladybug`	174	177	0.954	0.977	0.976	0.622
`dragonfly`	18	18	0.903	0.944	0.959	0.662
`butterfly`	186	222	0.915	0.918	0.950	0.629
`weevil`	58	61	0.889	0.934	0.946	0.521
`rice_bug`	190	237	0.931	0.916	0.937	0.595
`bees`	211	236	0.887	0.915	0.920	0.551
`mole_cricket`	39	41	0.882	0.854	0.890	0.471
`grasshopper`	298	317	0.882	0.852	0.885	0.510
`planthopper`	116	429	0.815	0.855	0.872	0.471
`spider`	72	78	0.767	0.821	0.858	0.572
`ant`	71	173	0.733	0.761	0.813	0.373
`cicada`	55	78	0.808	0.744	0.797	0.423
`caterpillar`	173	208	0.853	0.716	0.791	0.400
`stink_bug`	123	123	0.727	0.724	0.777	0.535
`aphid`	36	163	0.686	0.632	0.669	0.332
`mantis`	96	97	0.493	0.206	0.361	0.202

Training Setup

Framework: Ultralytics YOLOv8 (v8.3.0)
Hardware: NVIDIA A100-SXM4-40GB
Epochs: 50
Batch Size: 56 | Image Size: 640 x 640
Optimizer: AdamW (lr0 = 0.0008, lrf = 0.00008 with Cosine Annealing)
Dataset Source: Roboflow specifly-3-rwm7i (Augmented Version)

Quick Usage

from ultralytics import YOLO
from huggingface_hub import hf_hub_download

# Download best weights
weights_path = hf_hub_download(
    repo_id="Mustafa5645344/insect-detection-yolov8",
    filename="best.pt"
)

# Run Inference
model = YOLO(weights_path)
results = model.predict(source="field_sample.jpg", conf=0.35, save=True)

for r in results:
    for box in r.boxes:
        cls_id = int(box.cls[0].item())
        conf = float(box.conf[0].item())
        print(f"Found: {model.names[cls_id]} with {conf*100:.1f}% confidence")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели Ultralytics YOLO требуют отдельного рантайма.

Ревизия весов: b691da1