VigiClaw YOLO

Репозиторий pengxianglu с двумя наборами весов Ultralytics YOLO26: real для детекции объектов на реальных изображениях и sim для instance segmentation на симуляционных. В основе — YOLO26s и YOLO26s-seg; вход 640 и 512 px, 4 и 14 классов соответственно.

🔍 Ключевые особенности

• 📸 real: detection, 4 класса — кубы red/green/blue/yellow, imgsz 640.
• 🗂 sim: instance segmentation, 14 классов — кубы, чаши, чашки, фрукты и др., imgsz 512.
• ⚙ Чекпоинты обучены в Ultralytics 8.4.38, по 300 эпох, batch 16, pretrained=true.
• ❗ ID классов различаются: yellow cube — ID 3 в real и ID 13 в sim, результаты нельзя объединять по номерам.
• ✅ Есть predict.py и готовые веса best.pt/last.pt для инференса и дообучения.

💻 Пример

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

w = hf_hub_download(repo_id='pengxianglu/vigiclaw-yolo-checkpoint', filename='real/weights/best.pt')
model = YOLO(w, task='detect')
results = model.predict(source='image.jpg', imgsz=640, conf=0.25, device='cpu')
print(model.names, results[0].boxes)

Подробнее

Метрики из best.pt: real Box — mAP50 0.995, mAP50–95 0.92955; sim Box — mAP50 0.99115, mAP50–95 0.96426; sim Mask — mAP50–95 0.82684.
По умолчанию инференс на CPU, GPU — через device=0; отдельных требований к VRAM в карточке нет.
Классы ограничены, sim на реальных изображениях отдельно не проверялся; метрики взяты из train_metrics, а не из внешнего теста.