/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

yolov8n-csgo-player-detection

keremberke
Поиск объектовИзображение → bounding_boxes3 профессии

YOLOv8n для обнаружения игроков и их голов команд CT и T на изображениях из CS:GO.

832скачиваний за 30 дней9лайковвеса 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-csgo-player-detection — модель компьютерного зрения на базе Ultralytics YOLOv8n, опубликованная пользователем keremberke. Она предназначена для обнаружения игроков и их голов на изображениях из Counter-Strike: Global Offensive, различая команды CT и T. Модель выдаёт рамки объектов и метки классов ct, cthead, t и thead; работает с библиотекой Ultralytics и опубликована в формате PyTorch.

Модель подходит для анализа игровых кадров, подсчёта и локализации игроков, а также для прототипов компьютерного зрения по сценам CS:GO. В метаданных указан датасет keremberke/csgo-object-detection. Размер модели, длина контекста и поддерживаемые естественные языки неприменимы к этой задаче. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • обнаружение игроков CT и T на кадрах CS:GO
  • локализация голов игроков на игровых изображениях
  • подсчёт игроков разных команд в кадре
  • разметка игровых кадров рамками объектов

Ограничения

Классы модели ограничены игроками и головами команд CT и T в CS:GO; качество на других играх и типах изображений не подтверждено. Лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supported Labels

['ct', 'cthead', 't', 'thead']

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-csgo-player-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
d9770b1

0 моделей

    Создать бенчмарк