RiftShield

Это дообученный YOLOv8n от bisnet0 для object detection на software-архитектурных диаграммах: UML class diagrams, сетевой топологии и cloud-схемах. Модель выделяет структурные элементы, чтобы LLM-агент RiftShield мог строить по ним граф для threat-modeling. В карточке указаны 34 класса, 11 эпох обучения и веса weights/yolov8n-architecture-best.pt.

📝 Ключевые особенности

• 🤓 База — yolov8n.pt, библиотека Ultralytics; 34 класса: UML-фигуры и связи, сетевые устройства, cloud/hardware-иконки, плюс page-level code/diagram.
• 📝 Обучение — 11 эпох на объединённых 7 публичных Roboflow-проектах: 10 041 аннотированный файл.
• 🤝 Детекция — только bounding boxes; семантическая интерпретация (STRIDE, mitigation через RAG/FAISS) выполняется в LangGraph-агенте.
• 🫤 Классы несбалансированы: редкие UML-связи заметно хуже page-level классов.
• 🙅‍♂ Лучше работает на схемах с белым фоном; рукописные и тёмные темы деградируют.

👏 Пример

from ultralytics import YOLO

model = YOLO("weights/yolov8n-architecture-best.pt")
results = model("diagram.png", conf=0.25)
for box in results[0].boxes:
    print(model.names[int(box.cls)], [round(v, 1) for v in box.xyxy[0].tolist()])

Подробнее

Метрики best epoch: Precision 0.7416, Recall 0.5561, mAP50 0.5942, mAP50-95 0.4183.
Веса: weights/yolov8n-architecture-best.pt; обучение — 11 эпох.
Ограничения: дисбаланс классов, белый фон, только детекция без семантики.