Характеристики

Лицензия: AGPL 3.0
Библиотека: ultralytics
Опубликована: 29 сен 2026

Ссылки

Hugging Face

detector-frutas-yolo11

YoliGuadir

Поиск объектовИзображение → bounding_boxes3 профессии

Детектор YOLO11 находит шесть видов фруктов и их расположение на изображениях.

175скачиваний за 30 дней0лайковвеса обновлены29 сен 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

Модель YoliGuadir/detector-frutas-yolo11 — детектор объектов на базе YOLO11, дообученный для поиска шести видов фруктов на реальных изображениях: яблок, бананов, винограда, луло, апельсинов и клубники. Проект создан в рамках курса по компьютерному зрению с глубоким обучением; исходный датасет из 777 изображений размечен вручную ограничивающими рамками.

Модель предназначена для обнаружения фруктов и определения их положения на изображении. Для лучшего чекпойнта указаны precision 0,694, recall 0,640 и mAP50 0,684 на тестовой выборке. Репозиторий также содержит модель в формате ONNX; в карточке указана библиотека Ultralytics. Лицензия — AGPL-3.0.

Качество распознавания винограда ниже: модель может путать гроздь с отдельными ягодами. Также возможна путаница между яблоками и клубникой по цвету, а результаты на изображениях, заметно отличающихся от обучающих, могут быть нестабильными.

Сценарии применения

поиск яблок, бананов и других фруктов на фотографиях
подсчёт фруктов по ограничивающим рамкам на изображении
обнаружение фруктов на изображениях для учебных проектов по компьютерному зрению

Ограничения

Recall для винограда низкий; возможна путаница между яблоками и клубникой. Датасет небольшой, поэтому качество может снижаться на изображениях, отличающихся от обучающих.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Detector de frutas — YOLO11

Modelo de detección de objetos que localiza 6 frutas en imágenes reales: apple, banana, grapes, lulo, orange, strawberry.

Proyecto 2 (Parte 1) del curso Visión Computacional con Deep Learning — Maestría en IA y Ciencia de Datos.

Datos

Dataset propio, anotado manualmente en Roboflow (cajas delimitadoras).
777 imágenes (train: 623, valid: 78, test: 76) y 6325 objetos anotados.

Entrenamiento

Base: YOLO11 pre-entrenado en COCO + fine-tuning.
Imágenes de 640×640 (export de Roboflow); 50 épocas máx., early stopping (patience 15), imgsz 640, batch 16, data augmentation (rotación, traslación, zoom, flip horizontal, HSV, mosaic).

Mejor modelo: `models/best.pt` (E5_yolo11s_adamw)

Métrica (test)	Valor
Precision	0.694
Recall	0.640
mAP50	0.684
mAP50-95	0.428
IoU medio (aciertos)	0.775

Métricas por clase

Clase	Precision	Recall	AP50	AP50-95
apple	0.660	0.667	0.691	0.405
banana	0.663	0.699	0.705	0.417
grapes	0.374	0.483	0.413	0.229
lulo	0.881	0.834	0.860	0.593
orange	0.848	0.667	0.808	0.614
strawberry	0.736	0.488	0.627	0.310

Comparación de experimentos (test)

Experimento	Precision	Recall	mAP50	mAP50-95	IoU medio	Parámetros	Inferencia (T4)
E1_yolo11n_aug	0.639	0.625	0.671	0.420	0.781	2.6 M	12.3 ms
E2_yolo11s_aug	0.676	0.602	0.636	0.395	0.781	9.4 M	10.6 ms
E3_yolo11m_aug	0.683	0.604	0.657	0.409	0.786	20.1 M	29.4 ms
E4_yolo11s_noaug	0.701	0.505	0.573	0.336	0.812	9.4 M	10.1 ms
E5_yolo11s_adamw	0.694	0.640	0.684	0.428	0.775	9.4 M	11.0 ms

Uso

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

ruta = hf_hub_download("YoliGuadir/detector-frutas-yolo11", "models/best.pt")
modelo = YOLO(ruta)
resultado = modelo.predict("mi_foto.jpg", conf=0.25)[0]
resultado.show()

Limitaciones

Recall bajo en uvas (pocas imágenes de entrenamiento y anotación ambigua racimo vs. uva).
Confusión ocasional manzana ↔ fresa por color.
Dataset pequeño: los resultados pueden variar con imágenes muy distintas a las de entrenamiento.

Как запустить

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

GPU в ailist

Универсальный рантайм · ultralytics

Нельзя запустить

Модели Ultralytics YOLO требуют отдельного рантайма.

Ревизия весов: 2121229