/ Модель
Каталог

Характеристики

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

Ссылки

Hugging Face

yolov8n-nlf-head-detection

keremberke
Поиск объектовИзображение → bounding_boxes3 профессии

Модель YOLOv8 обнаруживает и локализует шлемы игроков и другие шлемы на изображениях американского футбола.

769скачиваний за 30 дней4лайкавеса 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-nlf-head-detection — модель компьютерного зрения на базе YOLOv8, опубликованная пользователем keremberke и рассчитанная на обнаружение шлемов на изображениях. Она распознаёт пять классов: Helmet, Helmet-Blurred, Helmet-Difficult, Helmet-Partial и Helmet-Sideline. Модель предназначена для поиска и локализации шлемов в сценах американского футбола, в том числе частично скрытых и размытых; для работы используется библиотека Ultralytics. Репозиторий содержит веса в формате PyTorch.

Данные карточки указывают на обучение на наборе keremberke/nfl-object-detection. Сведения о лицензии и численном размере модели в предоставленных материалах отсутствуют.

Сценарии применения

  • обнаружение шлемов на кадрах матча по американскому футболу
  • поиск размытых шлемов на спортивных изображениях
  • локализация частично закрытых шлемов
  • подсчёт шлемов у боковой линии поля

Ограничения

Модель распознаёт только пять перечисленных классов шлемов и ориентирована на сцены американского футбола; качество на других объектах и типах изображений не описано. 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.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supported Labels

['Helmet', 'Helmet-Blurred', 'Helmet-Difficult', 'Helmet-Partial', 'Helmet-Sideline']

How to use

pip install ultralyticsplus==0.0.24 ultralytics==8.0.23
  • Load model and perform prediction:
from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('keremberke/yolov8n-nlf-head-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
1479c0e

0 моделей

    Создать бенчмарк