/ Модель
Каталог

Характеристики

Размер весов
6,8 МБ
Архитектура
v8 · dense
Библиотека
ultralytics
Опубликована
15 янв 2023

Ссылки

Hugging Face

yolov8n-pothole-segmentation

keremberke
Сегментация изображенийИзображение → mask3 профессии

Компактная модель YOLOv8 для обнаружения и сегментации выбоин на изображениях дорог.

1 133скачиваний за 30 дней17лайковвеса 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

Модель keremberke/yolov8n-pothole-segmentation — компактная модель сегментации изображений на базе Ultralytics YOLOv8n, опубликованная пользователем keremberke. Она предназначена для обнаружения выбоин на изображениях дорожного покрытия и выделения их областей; поддерживаемая метка — pothole. Модель можно применять для анализа снимков дорог в системах мониторинга состояния покрытия и предварительной разметки изображений.

Модель использует архитектуру YOLOv8 семейства v8, библиотеку Ultralytics и формат PyTorch. Карточка связывает её с датасетом keremberke/pothole-segmentation. Подробности о размере модели, языковой поддержке и лицензии в доступных данных отсутствуют.

Сценарии применения

  • сегментация выбоин на фотографиях дорожного покрытия
  • поиск выбоин при обследовании дорог
  • подготовка масок выбоин для разметки изображений
  • автоматизированный визуальный мониторинг состояния дорог

Ограничения

Модель распознаёт только класс pothole, поэтому не предназначена для классификации других типов повреждений дорог. Качество зависит от условий съёмки и соответствия изображений обучающим данным.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейIV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделейII.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

['pothole']

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-pothole-segmentation')

# 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)
print(results[0].masks)
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
132feb1

0 моделей

    Создать бенчмарк