Детектор YOLOv8 Nano для обнаружения и классификации восьми типов транспорта на изображениях.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Модель kushagrahere/vehicle-detection-yolov8 — детектор транспорта на архитектуре YOLOv8 Nano, разработанный с использованием Ultralytics и обученный на пользовательском наборе данных транспортных средств. Она принимает изображения размером 640×640 и обнаруживает восемь классов: Auto, Bus, Car, LCV, Motorcycle, Multiaxle, Tractor и Truck. В README заявлено значение mAP@0.5 выше 85%.
Модель предназначена для компьютерного зрения в сценариях, где нужно находить и классифицировать транспорт на изображениях. Репозиторий содержит веса PyTorch; лицензия — MIT. Метаданные указывают задачу object-detection.
Заявленное значение mAP@0.5 приведено без сведений о тестовом наборе и методике оценки. Описаны только восемь классов транспорта, поэтому обнаружение других объектов не заявлено.
README от автора на Hugging Face, как он его опубликовал
This model detects 8 classes of vehicles:
from ultralytics import YOLO
# Load model
model = YOLO('best.pt')
# Run inference
results = model('path/to/image.jpg')
Model trained on Google Colab with custom vehicle dataset.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
В репозитории нет config.json: не понять архитектуру модели.