К содержимому
Другое

football-yolo26-sam31-distilled-v1

детектор игроков и судей для футбола

2 мин чтенияобновлено

Модель распознаёт на кадрах футбольных трансляций четыре класса объектов: полевых игроков, судей, вратарей и мяч. Она представляет собой дообученную версию компактной архитектуры yolo26s.pt от автора Mbonea, созданную методом дистилляции (переноса знаний от более крупной модели) с использованием псевдоразметки от SAM3.1 и детектора YOLO26x. В отличие от универсальных спортивных моделей, это исследовательский пилот, обученный на одном конкретном матче для проверки пайплайна автоматической разметки. Пригодится разработчикам спортивной аналитики и компьютерного зрения как база для экспериментов с трекингом игроков или дистилляцией масок.

Ключевые особенности

  • Четыре класса объектов: находит на изображении игроков (player), судей (referee), вратарей (goalkeeper) и мяч (ball).
  • Дистилляция без ручной разметки: обучающие данные собраны автоматически из сегментационных масок SAM3.1 и детекций YOLO26x с дополнительной фильтрацией геометрии и повторов.
  • Высокая скорость инференса: на видеокарте NVIDIA A10 модель выдаёт около 64 FPS при разрешении 640 пикселей с учётом пре- и постпроцессинга.
  • Честная оценка ограничений: автор честно предупреждает, что детекция мяча пока слабая (AP50 всего 0.0636) и не подходит для замены полноценных трекеров мяча.

Что можно сделать

  • Прототипировать спортивную аналитику: автоматически находить координаты игроков и арбитров на кадрах трансляций для построения тепловых карт или анализа расстановки.
  • Дообучить под свои матчи: использовать веса best_weights.pt как стартовый чекпоинт в библиотеке Ultralytics для файнтюна на собственной выборке с других стадионов и ракурсов.
  • Изучить пайплайн псевдоразметки: воспроизвести схему автоматической генерации датасетов на основе SAM3.1 с помощью приложенных в репозитории конфигов обучения.

Пример

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

weights = hf_hub_download("Mbonea/football-yolo26-sam31-distilled-v1", "best_weights.pt")
model = YOLO(weights)
results = model.predict("frame.jpg", imgsz=640, conf=0.4)
Подробнее Согласованность с псевдоразметкой на тесте (AP50 / AP50:95): игроки — 0.930 / 0.732, судьи — 0.823 / 0.580, вратари — 0.653 / 0.509, мяч — 0.0636 / 0.0140.
Обучена на 357 кадрах (с учётом цветовых вариаций формы) из одного матча Simba-Yanga в разрешении 720p на GPU NVIDIA A10 (пиковое потребление VRAM при обучении и оценке — 5.32 ГБ).
Ограничения: обобщающая способность на других матчах и стадионах не проверялась, трекинг объектов между кадрами отсутствует.
Обсудить Telegram 0 34

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Mbonea/football-yolo26-sam31-distilled-v1
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Mbonea/football-yolo26-sam31-distilled-v1 --local-dir ~/models/football-yolo26-sam31-distilled-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к football-yolo26-sam31-distilled-v1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии football-yolo26-sam31-distilled-v1 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Mbonea/football-yolo26-sam31-distilled-v1
Автор
Mbonea
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

340

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

eskd-yolo26

eskd-yolo26