/ Модель

Характеристики

Размер весов
23,8 МБ
Архитектура
v8 · dense
Библиотека
ultralytics
Опубликована
26 янв 2023

yolov8s-building-segmentation

Сегментация изображенийИзображение → mask3 профессии

Модель YOLOv8s сегментирует здания на спутниковых и других изображениях, выделяя класс Building.

877скачиваний 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/yolov8s-building-segmentation — модель компьютерного зрения для сегментации зданий на изображениях. Она построена на архитектуре YOLOv8s и предназначена для выделения пикселей, относящихся к классу Building. В метаданных указаны библиотека Ultralytics и формат PyTorch; в карточке перечислен набор данных keremberke/satellite-building-segmentation.

Модель подходит для обнаружения и сегментации зданий на спутниковых и других изображениях, а также для подготовки масок зданий для последующего анализа. Она решает задачу сегментации изображений и выдаёт маску класса Building. Сведений о лицензии в предоставленных данных нет.

Сценарии применения

  • выделение зданий на спутниковых снимках
  • создание масок зданий для геопространственного анализа
  • подсчёт и картирование зданий по изображениям

Ограничения

Модель поддерживает только класс Building, поэтому не предназначена для сегментации других типов объектов. Лицензия и ограничения на использование не описаны в предоставленных данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supported Labels

['Building']

How to use

pip install ultralyticsplus==0.0.21
  • Load model and perform prediction:
from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('keremberke/yolov8s-building-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
379e929

0 моделей