/ Модель

Характеристики

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

yolov8s-pothole-segmentation

Сегментация изображенийИзображение → mask3 профессии

YOLOv8s для выделения выбоин на изображениях дорожного покрытия с помощью сегментационных масок.

730скачиваний за 30 дней2лайкавеса 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/yolov8s-pothole-segmentation — модель компьютерного зрения на базе YOLOv8s, опубликованная пользователем keremberke. Она предназначена для сегментации выбоин на изображениях дорожного покрытия и выделяет область объекта маской с меткой pothole. Модель можно применять для анализа снимков дорог и первичной разметки дефектов при обследовании дорожной инфраструктуры.

Репозиторий содержит веса PyTorch, для работы используется библиотека Ultralytics. Карточка указывает единственную поддерживаемую метку — pothole. Сведения о размере модели, языках, контекстном окне и лицензии в предоставленных источниках отсутствуют.

Сценарии применения

  • поиск и выделение выбоин на фотографиях дорог
  • первичная разметка дефектов дорожного покрытия
  • анализ снимков дорожной инфраструктуры
  • подготовка данных для обследования состояния дорог

Ограничения

Модель ориентирована на один класс — выбоины; её точность на разных типах дорог и условиях съёмки в предоставленных источниках не описана.

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

['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/yolov8s-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
d6d5df4

0 моделей