/ Модель
Каталог

Характеристики

Размер весов
6,2 МБ
Архитектура
v8 · dense
Библиотека
ultralytics
Опубликована
29 янв 2023

Ссылки

Hugging Face

yolov8n-blood-cell-detection

keremberke
Поиск объектовИзображение → bounding_boxes3 профессии

Модель YOLOv8 обнаруживает на изображениях тромбоциты, эритроциты и лейкоциты.

732скачиваний за 30 дней3лайкавеса обновлены22 фев 2023

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

keremberke/yolov8n-blood-cell-detection — модель обнаружения объектов семейства YOLOv8, опубликованная Keremberke и использующая библиотеку Ultralytics. Она предназначена для нахождения и классификации клеток крови на изображениях: тромбоцитов (Platelets), эритроцитов (RBC) и лейкоцитов (WBC). Репозиторий содержит веса PyTorch; в метаданных указан датасет keremberke/blood-cell-object-detection.

Модель подходит для автоматической разметки изображений крови и поддержки исследовательских или учебных задач анализа клеток. Данных о размере модели, языковой поддержке и лицензии в предоставленных источниках нет.

Сценарии применения

  • поиск клеток крови на микроскопических изображениях
  • подсчёт и локализация тромбоцитов
  • обнаружение эритроцитов на изображениях
  • обнаружение лейкоцитов на изображениях
  • автоматическая разметка изображений клеток крови

Ограничения

Модель распознаёт только три класса: Platelets, RBC и WBC; её пригодность для клинической диагностики в предоставленных материалах не подтверждена. Лицензия и количественные характеристики качества не указаны в доступных источниках.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделейIV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделейIV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supported Labels

['Platelets', 'RBC', 'WBC']

How to use

pip install ultralyticsplus==0.0.23 ultralytics==8.0.21
  • Load model and perform prediction:
from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('keremberke/yolov8n-blood-cell-detection')

# set model parameters
model.overrides['conf'] = 0.25  # NMS confidence threshold
model.overrides['iou'] = 0.45  # NMS IoU threshold
model.overrides['agnostic_nms'] = False  # NMS class-agnostic
model.overrides['max_det'] = 1000  # maximum number of detections per image

# set image
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# perform inference
results = model.predict(image)

# observe results
print(results[0].boxes)
render = render_result(model=model, image=image, result=results[0])
render.show()

More models available at: awesome-yolov8-models

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
c4e44e0

0 моделей

    Создать бенчмарк