/ Модель

Характеристики

Лицензия
MIT
Базовая модель
yolo11s
Опубликована
29 мар 2026

uitag-yolo11s-ui-detect-v1

Поиск объектовИзображение → bounding_boxes

YOLO11s, дообученная для обнаружения и классификации элементов интерфейса на снимках экранов настольных приложений.

0скачиваний за 30 дней5лайковвеса обновлены29 мар 2026

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

laywens/uitag-yolo11s-ui-detect-v1 — модель YOLO11s, дообученная на наборе GroundCUA для обнаружения элементов интерфейса на снимках экранов настольных приложений. Она размечает рамками девять классов, включая кнопки, меню и поля ввода, и предназначена для конвейеров автоматизированного тестирования, доступности и GUI-агентов. Для работы на изображениях высокого разрешения используются тайлы 640×640 пикселей с перекрытием 20%; модель рассчитана на сочетание с Apple Vision, которое добавляет распознавание текста и повышает полноту обнаружения на ScreenSpot-Pro до 90,8%. По README, веса размером 18 МБ доступны в формате PyTorch, лицензия — MIT.

Модель не выполняет OCR, не читает текст и не связывает класс элемента с его смыслом, например не определяет, что кнопка предназначена для сохранения. Качество может снижаться на приложениях и интерфейсах, не представленных в GroundCUA; отдельно отмечены более слабые результаты на AutoCAD и FL Studio. Она предназначена для снимков экранов настольных приложений, а не мобильных интерфейсов, веб-интерфейсов или изображений другого типа.

Сценарии применения

  • поиск кнопок и полей ввода на снимках экранов
  • обнаружение меню и других элементов интерфейса для GUI-агента
  • проверка расположения элементов интерфейса в автоматизированных тестах
  • выделение интерактивных элементов для конвейеров доступности
  • дополнение OCR структурными рамками элементов интерфейса

Ограничения

Модель не выполняет OCR и не определяет семантическое назначение элемента; для изображений высокого разрешения требуется tiled inference с тайлами 640×640 и перекрытием 20%. На интерфейсах, не представленных в GroundCUA, мобильных снимках и изображениях веб-интерфейсов качество может быть ниже.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

uitag-yolo11s-ui-detect-v1

A YOLO11s model fine-tuned to detect UI elements in desktop screenshots. Trained on GroundCUA (55K screenshots, 3.56M human-verified annotations) with SAHI-style tiling (640x640, 20% overlap). Built for the uitag SoM pipeline, where it runs alongside Apple Vision to provide combined 90.8% detection coverage on ScreenSpot-Pro.

What it detects

Nine element classes derived from GroundCUA's annotation taxonomy:

ClassExamples
ButtonToolbar buttons, dialog buttons, toggles
MenuMenu bars, context menus, dropdowns
Input_ElementsText fields, search boxes, spinners
NavigationTabs, breadcrumbs, tree nodes
Information_DisplayStatus bars, tooltips, labels
SidebarSide panels, nav rails
Visual_ElementsIcons, thumbnails, separators
OthersScrollbars, handles, dividers
UnknownAmbiguous elements

Evaluation

Detection coverage on ScreenSpot-Pro (1,581 targets, 26 professional applications, 3 platforms). Center-hit: does any detection's bounding box contain the center of the ground-truth target?

PipelineTextIconOverall
Apple Vision + this model92.7%87.6%90.8%
This model only82.4%75.7%80.1%
Apple Vision only66.4%42.5%57.3%

The model is most useful in combination with Apple Vision: Vision provides OCR text labels, this model provides structural element detection. In the combined pipeline, icon coverage improves from 42.5% to 87.6% (+45.1 percentage points).

Additional benchmarks (this model only, no Apple Vision):

BenchmarkMetricScore
GroundCUA (500 images, 30K GT elements)Recall@IoU>=0.594.0%
GroundCUAPrecision@IoU>=0.583.6%
UI-Vision (1,181 images)Recall@IoU>=0.583.5%

GroundCUA scores are high because the model was trained on that distribution. UI-Vision and ScreenSpot-Pro are out-of-distribution evaluations.

Limitations

This model detects element bounding boxes. It does not perform OCR, read text content, or understand natural language instructions. It provides class labels (Button, Menu, etc.) but not semantic labels ("the save button").

The model was trained on GroundCUA, which contains 87 desktop applications. Applications with UI patterns not represented in GroundCUA may see lower coverage. In evaluation, the weakest results were on AutoCAD (68% center-hit in the combined pipeline) and FL Studio (79%).

The model uses tiled inference (640x640 tiles with 20% overlap) at both training and inference time. Running on a full-resolution image without tiling will produce very few detections.

Training

ParameterValue
Base modelYOLO11s (pretrained)
DatasetGroundCUA tiled (224K train, 25K val tiles)
Tile size640x640, 20% overlap
Classes9
Epochs100
Hardware2x H100 PCIe 80GB (DDP)
Wall clock19.75 hours
OptimizerAdamW (cosine LR)
Augmentationtranslate=0.1, scale=0.2 (no mosaic, no mixup, no rotation, no flip)
mAP@0.5 (val)0.792
mAP@0.5:0.95 (val)0.540

Augmentation choices reflect the domain: UI elements are axis-aligned and spatially meaningful, so rotation, flipping, and mosaic are disabled. Mild translation and scale simulate dialog movement and responsive layouts. Removing geometric augmentation caused overfitting within 6 epochs in diagnostic runs.

Usage

With uitag (recommended)

pip install uitag[yolo]
uitag screenshot.png --yolo -o out/

The model weights are bundled with uitag at uitag/models/yolo-ui.pt.

Standalone with ultralytics

from ultralytics import YOLO
from PIL import Image

model = YOLO("path/to/yolo-ui.pt")

# Tiled inference (required — matches training)
img = Image.open("screenshot.png")
tile_size = 640
step = 512  # 20% overlap

for y in range(0, img.height, step):
    for x in range(0, img.width, step):
        tile = img.crop((x, y, min(x + tile_size, img.width), min(y + tile_size, img.height)))
        results = model(tile, imgsz=640, conf=0.25)
        # Translate detections back to full-image coordinates
        for box in results[0].boxes:
            xyxy = box.xyxy[0].tolist()
            xyxy[0] += x; xyxy[1] += y; xyxy[2] += x; xyxy[3] += y

Apply cross-tile NMS after collecting all detections.

Intended Use

This model is intended for UI element detection in desktop screenshots as part of an automated testing, accessibility, or agent pipeline. It is not intended for detecting UI elements in mobile screenshots, web-only interfaces, or non-screenshot images.

Model Files

  • yolo-ui.pt — YOLO11s weights (18 MB)

Citation

If you use this model, please cite the GroundCUA dataset:

@article{groundcua2025,
  title={GroundCUA: Ground Truth for Computer Use Agents},
  author={ServiceNow Research},
  year={2025}
}

License

MIT

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
228054c

0 моделей